
La industria de servicios financieros está adoptando tecnología de inteligencia artificial a un ritmo cada vez mayor. La gestión de activos, el comercio algorítmico, la suscripción de créditos, las soluciones financieras basadas en cadenas de bloques, la detección de fraudes y el procesamiento de reclamaciones están adoptando cada vez más el aprendizaje automático para impulsar procesos de toma de decisiones basados en datos más sólidos y una mejor comprensión de las necesidades de los clientes. Este cambio está impulsado en gran medida por la llegada de una potencia informática más rentable y la abundancia de datos disponibles.
Inteligencia artificial y aprendizaje automático
Por un lado, la inteligencia artificial (IA), en pocas palabras, es el campo más amplio del desarrollo de sistemas capaz de realizar tareas que normalmente requieren «inteligencia humana». Machine Learning (ML), por otro lado, es una subcategoría de AI que se enfoca en desarrollar modelos para predicción y reconocimiento de patrones a partir de datos con intervención humana limitada.
En la industria de servicios financieros, la aplicación de métodos de aprendizaje automático tiene el potencial de mejorar los resultados para las empresas y los consumidores. ML también promete hacer que los servicios financieros y los mercados sean más eficientes, accesibles y adaptados a las necesidades de los consumidores.
Antes de sumergirnos en cómo las instituciones financieras pueden aprovechar las tecnologías de código abierto para satisfacer sus necesidades de ML, echemos un vistazo al proceso de ML de alto nivel.
proceso de aprendizaje automático
Un proceso típico de ML consta de varios pasos, comenzando con la escritura de un algoritmo de ML que analizará los datos introducidos para crear un modelo de ML. El siguiente paso en el proceso es encontrar el conjunto de datos o crear (si no existe) para «entrenar» el modelo, lo que permite que los algoritmos de ML encuentren patrones u otra información en el conjunto de datos que el modelo o los modelos pueden usar para hacer predicciones. o generar recomendaciones. Una vez que se entrena el modelo, debe probarse para garantizar que proporcione exactamente los conocimientos que se pretende que proporcione. Una vez que el modelo se entrena y prueba, se implementa en producción para generar información y atender casos de uso comercial.
Para que las instituciones financieras cosechen las recompensas de los esfuerzos de aprendizaje automático, los modelos deben desarrollarse en un proceso repetible utilizando kits de herramientas de aprendizaje automático, lo que permite a los científicos de datos administrar de manera eficiente el proceso de aprendizaje automático de extremo a extremo.
Kit de herramientas de aprendizaje automático de código abierto para servicios financieros
El software de aprendizaje automático de código abierto permite el rápido crecimiento y la evolución de los marcos y bibliotecas de aprendizaje automático, lo que permite a las instituciones financieras resolver desafíos cada vez más complejos y fomentar una mentalidad de innovación, crecimiento y comunidad. Además, las plataformas de aprendizaje automático de código abierto ayudarán a acelerar la adopción de la IA en los servicios financieros, haciendo que la IA sea mejor y más inteligente para el beneficio de todos.
Los científicos de datos de las instituciones financieras siempre están buscando formas de implementar, escalar y distribuir modelos ML en clústeres de servidores y optimizar modelos utilizando técnicas como la descarga de GPU.
Aprendizaje automático en Kubernetes
Gobernador Como plataforma para entrenar e implementar modelos de aprendizaje automático, brinda algunas ventajas clave y también aborda algunos de los desafíos clave que enfrentan los científicos de datos. K8s proporciona recursos de implementación reutilizables, autoescalado, multiusuario, acceso a GPU y la capacidad de redistribuir las cargas de trabajo en caso de que falle un nodo en el clúster.
Kubeflow: kit de herramientas de aprendizaje automático en Kubernetes
Kubeflow es una plataforma de aprendizaje automático gratuita y de código abierto diseñada para admitir el uso de canalizaciones de aprendizaje automático para orquestar flujos de trabajo complejos que se ejecutan en Kubernetes. Proporciona componentes para cada etapa del ciclo de vida de ML, desde la exploración hasta el entrenamiento y la implementación. Kubeflow se basa en el enfoque interno de Google para implementar modelos de TensorFlow, llamado TensorFlow Extended.
Flujo de Kube Proporciona una interfaz nativa de la nube entre Kubernetes y herramientas de ciencia de datos: bibliotecas, marcos, canalizaciones y cuadernos.
Leer más sobre ¿Qué es Kubeflow?
Kubeflow admite un Servicio de TensorFlow El contenedor exporta el modelo TensorFlow entrenado a Kubernetes. Kubeflow también funciona con Núcleo Seldonuna plataforma de código abierto para implementar modelos de aprendizaje automático en Kubernetes, Servidor de inferencia NVIDIA Triton Maximice la utilización de GPU al implementar modelos ML a escala, y Servicio MLRunun marco sin servidor de código abierto para implementar y monitorear canalizaciones de ML en tiempo real.
Kubeflow incluye servicios para crear y gestionar interacciones Cuaderno JupyterLos científicos de datos pueden personalizar la implementación de portátiles y los recursos informáticos para satisfacer sus necesidades de ciencia de datos.
Canalización de Kubeflow es una solución integral para implementar y administrar flujos de trabajo de aprendizaje automático de extremo a extremo. Los científicos de datos de las instituciones financieras pueden usar Kubeflow Pipelines para realizar experimentos rápidos y confiables: programar y comparar ejecuciones, y verificar informes detallados para cada ejecución.
La comunidad de Kubeflow se expande PyTorch, Red Apache MX, IPM, XGBoost, cadena, y más. Kubeflow también proporciona idéntico y embajador Para la entrada, nuccio como un marco sin servidor multipropósito rápido, y paquidermo Para administrar canalizaciones de ciencia de datos.
Para obtener más información sobre los componentes y la arquitectura de Kubeflow, consulte Arquitectura de Kubeflow Página.
MLOps a cualquier escala – Charmed Kubeflow
A pesar de los beneficios obvios de Kubeflow para las operaciones de ML, la implementación, configuración y mantenimiento de Kubeflow aún pueden ser difíciles. La cantidad de aplicaciones y escenarios potenciales dificulta que la comunidad de Kubeflow brinde una solución única para los científicos de datos de las instituciones financieras.
modelo Resuelva este problema empaquetando todas las aplicaciones en Kubeflow y proporcionando una plataforma MLOps totalmente compatible para cualquier nube: Charmed Kubeflow.
Charmed Kubeflow empaqueta las más de 20 aplicaciones y servicios que componen la última versión de Kubeflow para hacer que la implementación y el funcionamiento sean más rápidos y sencillos, en cualquier lugar, estación de trabajo, local, nubes públicas, privadas y perimetrales.
Kubeflow encantado de vivir juntos – Enterprise Operator Lifecycle Manager (OLM), que proporciona gestión de aplicaciones basada en modelos e infraestructura de próxima generación como código. En Juju, los operadores y las aplicaciones se agrupan como Charms: paquetes que contienen operadores y metadatos que admiten la integración de muchos operadores en un sistema de agregación coherente.
Juju proporciona una vista central de los operadores de Kubernetes en las implementaciones, la configuración, la escala y el estado de cada operador, y las líneas de integración entre ellos. Realiza un seguimiento de las posibles actualizaciones y mejoras para cada operador y coordina el flujo de eventos y mensajes entre los operadores.
Echemos un vistazo a algunas de las principales ventajas de Charmed Kubeflow.
Portabilidad multinube
Hoy en día, muchas instituciones financieras optan por operar en escenarios de nube híbrida o multinube, disfrutando de la informática local de bajo costo y la elasticidad de la nube pública. Gracias a Ubuntu, Charmed Kubernetes y Charmed Kubeflow brindan portabilidad de las cargas de trabajo de ML en toda la infraestructura (desde el centro de datos hasta la nube pública).
agnóstico de Kubernetes
Charmed Kubeflow es compatible con cualquier Kubernetes que cumpla con los estándares, incluidos AKS, EKS, GKE, MicroK8sCharmed Kubernetes y cualquier clúster implementado en kubeadm.
Aceleración de GPU
Detección y configuración automática de GPU en MicroK8 Capacitación e inferencia de alto rendimiento en Charmed Kubernetes. Los científicos de datos de las instituciones financieras pueden acelerar las cargas de trabajo de ML en sus canalizaciones de Kubeflow con GPU pass de máquina a Kubernetes a Kubeflow.
Fácil de empezar
Canonical ofrece un conjunto completo de servicios empresariales desde la evaluación hasta las operaciones del día 2, que incluyen capacitación en el sitio, implementación, soporte de nivel empresarial y Kubeflow totalmente administrado. O, si desea comenzar de a poco mientras evalúa Kubeflow frente a otras tecnologías, pruebe Kubeflow en MicroK8s.
Visite ubuntu.com/kubeflow/install para una prueba rápida.
Comuníquese con nosotros para saber cómo las empresas de todo el mundo utilizan técnicas de aprendizaje automático de código abierto para mejorar su ventaja competitiva.