根據國際分析學會的最新報告，不到10%……據估計，這是在企業環境中的大規模生產中部署的人工智能測試項目的數量。

產生如此之少的數量有很多原因，其中包括大量的數據以及缺乏易于使用的工具來進行分析。這個問題需要實現AI和機器學習的可操作性，使其始終如一地可訪問和可重復。

BlueData副總裁兼總經理Anant Chintamaneni(如圖)說：“最終，如果您想從這些模型以及所做的所有辛勤工作中獲得商業價值，就必須將其注入業務流程中。”惠普企業公司的負責人。“機器學習的運營最終是關鍵，這是企業必須取得的進步。”

Chintamaneni與位于加州帕洛阿爾托的CUBE工作室的SiliconANGLE Media移動流媒體直播工作室CUBE的聯合主持人Peter Burris(@plburris)進行了交談。聯合主持人Stu Miniman(@stu)參加了Burris的數字社區活動，他們還采訪了HPE杰出的技術專家和首席數據科學家Nanda Vijaydev。HPE大數據，分析和橫向擴展數據平臺副總裁兼總經理Patrick Osborne;和Wikibon分析師James Kobielus(@jameskobielus)。討論的重點是數據科學團隊中所需的角色，HPE引入了一種新的軟件解決方案以指導企業進行分析部署，以及在業務流程中實現AI和機器學習的重要性。(*以下披露。)

數據科學的DevOps

在企業中實施AI和機器學習的一個問題是它需要一個村莊。數據科學家可以選擇正確的算法，數據工程師可以清理輸入的信息，機器學習架構師可以構建預測變量，程序員也可以。

這些都是數據科學團隊的一部分，該團隊負責推動所謂的數據中心運營。“在Wikibon中，我們將其稱為數據科學的DevOps，” Kobielus說。

為了幫助這個多元化的團隊確保實踐的一致性，HPE在9月推出了以容器為中心的軟件解決方案ML Ops，該解決方案基于該公司去年收購BlueData時獲得的技術。BlueData的軟件平臺結合了容器，虛擬化和大數據工具，可為客戶提供更好的機器學習和AI體驗。

Osborne表示：“ ML Ops可幫助您從數據科學家或數據工程師那里擴展其筆記本電腦上的算法，從而能夠在數據中心內大規模運行該算法。”“我們為圍繞AI和機器學習的新生態系統建立了許多備受矚目的新關系。”