Llegamos a ustedes gracias a:



Noticias

New Relic amplía la observabilidad de su stack para incluir MLOps

[23/12/2021] A medida que las empresas amplían sus capacidades de aprendizaje automático (ML) para analizar los datos generados por aplicaciones cada vez más complejas, New Relic ha actualizado su aplicación de observabilidad de pila completa New Relic One para incluir operaciones de aprendizaje automático (MLOps) diseñadas para ayudar a gestionar múltiples datos y modelos ML en diferentes unidades de negocio.

Junto con la monitorización de la aplicación, la red, la infraestructura y el navegador, y la gestión de registros y errores, New Relic One está diseñada para permitir a los científicos de datos y a los ingenieros de ML no solo monitorizar el rendimiento de los modelos de ML, sino también volver a entrenar los modelos después de lanzar alertas, señaló Guy Fighel, director general de inteligencia aplicada y vicepresidente del grupo de ingeniería de productos de New Relic.

La observabilidad es un término relativamente nuevo en TI, que se utiliza para describir la tarea de supervisar las aplicaciones empresariales, el flujo de datos y la infraestructura distribuida. Los sistemas que ofrecen observabilidad van más allá de los programas anteriores de monitorización del rendimiento de las aplicaciones (APM), ofreciendo una visión general de alto nivel de la infraestructura de TI, así como métricas granulares, para permitir una gestión eficiente de las aplicaciones, la red, los datos y la seguridad.

Según un informe de investigación publicado por el proveedor de aplicaciones de gestión de registros LogDNA, el 75% de las empresas encuestadas sigue luchando por conseguir una verdadera observabilidad a pesar de las importantes inversiones en herramientas.

El estudio, que encuestó a 200 profesionales de la ingeniería de alto nivel en los Estados Unidos, mostró que dos tercios de las organizaciones gastan actualmente 100 mil dólares o más al año en herramientas de observabilidad, y el 38% gasta 300 mil dólares o más al año.

MLOps ayuda a la observabilidad del sistema

La actualización de New Relic One está diseñada para ayudar a aliviar varios puntos de dolor para los científicos de datos, el principal de ellos es la naturaleza cambiante de los modelos de ML o IA, ya que dependen de los datos y el código subyacentes que pueden volverse irrelevantes a medida que cambian las condiciones del mundo real.

"Los modelos de ML se deterioran con el paso del tiempo", afirmó Andy Thurai, vicepresidente de investigación y analista principal de Constellation Research. "Así que se necesita una monitorización de los modelos para medir el rendimiento del modelo, la inclinación, el estancamiento/la frescura del modelo, la recuperación del modelo, la precisión del modelo y las métricas de exactitud del modelo. Dependiendo de la aplicación y el uso, los modelos pueden cambiar en cuestión de segundos o pueden ser válidos durante días/semanas/años en casos raros".

La actualización de New Relic One permite a los ingenieros de software y a los científicos de datos importar sus propios datos o integrarse con plataformas de ciencia de datos, así como supervisar los modelos de aprendizaje automático y las interdependencias junto con otros componentes de la aplicación, incluida la infraestructura, sostuvo Fighel.

Actualmente, New Relic es compatible con plataformas de ciencia de datos como AWS SageMaker, DataRobot, Aporia, Superwise, Comet, DAGsHub, Mona y TruEra, entre otras.

La compañía dijo que las empresas pueden crear cuadros de mando personalizados para rastrear la precisión de los modelos de aprendizaje automático y generar alertas para los cambios inusuales antes de que tengan un impacto en el negocio o los clientes.

Observabilidad para romper los silos de datos y acelerar el desarrollo

Otro problema para las empresas que despliegan aplicaciones de ML, según Fighel de New Relic, es cómo los diferentes equipos de las empresas no pueden trabajar entre sí de manera eficiente debido a los cuadros de mando dispares y las interfaces separadas.

"Existe una gran brecha entre los productores de modelos, es decir, los científicos de datos, y los implementadores de modelos; es decir, la ingeniería de datos, y los equipos de desarrollo.  Al contar con herramientas como ésta, un modelo puede ser producido fácilmente", sostuvo Thurai.

La plataforma New Relic One puede ayudar a unir a los equipos, incluso si la empresa ya ha invertido en plataformas de ciencia de datos separadas, proporcionando una interfaz común que permite a los científicos de datos y a otros usuarios importar datos de, y ver modelos construidos en, diferentes plataformas de ML, anotó Fighel.

Esta capacidad también puede ayudar a resolver los bloqueos de los proveedores, agregó Fighel. Según el informe de investigación de LogDNA, más de la mitad de los profesionales encuestados afirmaron que las empresas no pueden implementar las herramientas que desean debido al bloqueo de los proveedores.

Precios y disponibilidad

Las nuevas capacidades de ML, que están en disponibilidad general, se ofrecen sin costo adicional en la plataforma New Relic One con un límite de 100GB al mes. Sin embargo, Fighel dijo que el nuevo sistema pronto seguirá un modelo de precios por consumo.

Algunos de los competidores de New Relic son empresas como Sumo Logic, AppDynamics, Dynatrace, ManageEngine y la suite Microsoft Azure Application Insights.