Databricks quiere facilitar la creación de aplicaciones usando ML gracias a un nuevo servicio «Model Serving» que agiliza y simplifica la producción de modelos.
Pionero del análisis unificado en la nube, Databricks ha ampliado desde entonces su visión al aprendizaje automático y las cadenas de aprendizaje automático. El editor es considerado por Gartner como uno de los líderes de las plataformas en la nube de Data Science. Su plataforma Lakehouse proporciona una vista coherente de los datos a lo largo del ciclo de vida de ML, lo que acelera las implementaciones y reduce los errores, sin tener que unir servicios dispares.
En términos de ML, la dificultad no es solo poder desarrollar modelos adaptados a la empresa y sus negocios. También es necesario mejorar y reciclar constantemente los modelos para que sean siempre más relevantes y lo sigan siendo teniendo en cuenta el flujo incesante de nuevos datos. Esta es la razón por la cual el editor actualmente está enfocando sus esfuerzos en agilizar la cadena de ML y garantizar que la implementación y ejecución de modelos de ML en producción se simplifiquen tanto como sea posible.
Databricks anuncia esta semana la disponibilidad de «Databricks Model Serving», un nuevo servicio ‘sin servidor’ destinado a optimizar todo este proceso y hacer que los modelos ML sean más eficientes y estén más rápidos disponibles (en particular al exponerlos como API REST).
El servicio elimina las necesidades y la complejidad de construir una infraestructura MLops. Se encarga de todo el trabajo pesado asociado con el proceso de implementación del modelo ML, desde la configuración de infraestructura hasta la gestión de instancias, la verificación de compatibilidad, parches, ampliación o reducción. recursos de forma dinámica según las necesidades, etc.
« Databricks Model Serving permite a los equipos de ciencia de datos acelerar el tiempo de producción al simplificar las implementaciones, reducir los costos y brindar una experiencia completamente integrada directamente en la plataforma Lakehouse. dice Patrick Wendell, cofundador y vicepresidente de ingeniería de Databricks. » Esta oferta permitirá a los clientes implementar más modelos, con un tiempo de producción más rápido, al tiempo que reduce el costo total de propiedad y la dificultad de administrar una infraestructura compleja.. »
Totalmente administrado, este nuevo servicio obviamente se integra con los componentes clave de la plataforma Lakekouse, comenzando con Feature Store (para centralizar, administrar y reutilizar las características, atributos y propiedades en los que se basan los modelos ML), MLflow ( ) y el servicio de gobierno de datos “Gobierno de datos unificado”.
Databricks también anuncia que está trabajando para enriquecer esta plataforma para extenderla a más modelos y así ofrecer la misma fluidez a los modelos de Deep Learning, por ejemplo. Es cierto que la competencia se intensifica entre DataBrick, Dremio, Snowflake, Dataiku y las propias plataformas de nube de datos de Microsoft, Google Cloud y AWS. Tomarse un descanso de las innovaciones no está en la agenda. Incluso si muchas empresas no tienen la madurez para aprovechar al máximo dichas plataformas.
Lea también:
¿Dónde están los equipos de datos?
¡Dataiku, Databricks y Alteryx dominan a IBM, Google y Microsoft!
Google unifica sus herramientas de BI y ML bajo el banner Looker
Snowflake anuncia la adquisición de Streamlit
[
