Keberhasilan model machine learning menuntut pengelolaan data yang lebih cermat dan konsisten. HPE memiliki solusi ketika implementasi machine learning khususnya dalam mengelola data dengan volume yang besar dan kompleks.
Saat menghadirkan teknologi yang transformative seperti machine learning, perusahaan tidak hanya membutuhkan strategi yang edge to core tetapi juga harus memiliki keahlian untuk memprosesnya. Di sini lah HPE dan Berca dapat membantu customer untuk memulai journey implementasi model machine learning ke dalam proses produksi.
“Banyak perusahaan saat ini gagal mengadopsi machine learning, yang sebagian besar disebabkan oleh resources yang belum paham ketika diminta untuk mengembangkan model machine learning di lapangan”, ujar Robert Christiansen VP of strategy in the Office of the CTO at HPE.
Continuous improvement
Saat menerapkan machine learning, perusahaan harus fokus pada dua hal, pertama setelah machine learning diterapkan ke dalam produksi, akan ada masalah yang muncul pada data drift dan kebutuhan untuk meningkatkan dan memperbaharui model sesuai dengan berkembangannya volume data. Kedua adalah reproduktifitas atau kejelasan dari model (sesuatu yang sangat kritikal di dalam regulasi industri).
“Ini artinya harus benar-benar mengikuti aturan yang sesuai saat membangun model machine learning, termasuk Cord, parameter, network architecture dan versi spesifik dari asset data yang digunakan,” ujar Rajesh Vijayarajan, IT Expert di Hewlett Packard Enterprise.
Membutuhkan seorang data engineer
Data engineering adalah kuncinya, Vijayarajan menjelaskan dalam penerapan machine learning memiliki ratusan atau bahkan ribuan model. “Ada beberapa ratus model yang dapat dicoba untuk membantu memecahkan masalah, yang harus Anda lakukan adalah membuat data pipelines untuk seluruh konsumsi model,” ujarnya. “Pada dasarnya ini adalah sebuah output dari model lain yang disematkan ke dalam atau seperti pre-processing logic.”
Agar data pipelines tersebut selalu terupdate di saat men-deployment, maka otomatis perlu melalukan proses built in. Menggunakan alat seperti HPE’s edge-to-core data engineering platform, perusahaan dapat mengatur aplikasi dan data di seluruh area implementasi baik di data center atau pun di cloud.
Mengelola data at the edge
Komponen penting dari proses data engineering ini adalah data fabric, yang dapat mengatur aplikasi dan data di seluruh implementasi. Sehingga perusahaan bisa memiliki cara yang konsisten bagaimana mengelola data di edge.
Dalam penerapan machine learning yang besar dan kompleks, kemampuan dalam mengelola data yang konsisten seperti data tiering and time-based data decommissioning sangat penting.
Ingin cari tahu lebih lanjut mengenai penerapan machine learning di industri? Dapatkan langsung dari ahlinya hubungi di sini marketing@berca.co.id.
Sumber: www.hpe.com
