Approfondimento sull’architettura progettata per l’apprendimento automatico su Azure, con l’obiettivo di sviluppare servizi data science a livello di impresa.
In molte organizzazioni moderne, vi è un crescente interesse verso la creazione di capacità di data science a livello aziendale. Lo scopo principale di questa iniziativa può includere lo sfruttamento del valore intrinseco ai loro dati, la riduzione dei costi operativi e la potenziazione dell’impegno dei clienti. Tuttavia, mentre molte di queste organizzazioni possiedono una certa capacità iniziale, possono sorgere sfide durante l’espansione e l’industrializzazione di tali servizi in un contesto imprenditoriale. La presente analisi offre una prospettiva progettuale ottimizzata per una piattaforma di data science a livello aziendale, concepita per essere “adatta allo scopo”, consegnata grazie all’impiego dell’Azure Machine Learning di Microsoft.
La progettazione di questa piattaforma è basata su un caso d’uso ipotetico di un’impresa media immaginaria che desidera sviluppare la sua funzione di data science. L’obiettivo chiave è quello di sviluppare una piattaforma pronta per l’impresa in grado di supportare 20 diversi progetti, eseguendo pacchetti di lavoro di data science. Il pacchetto di lavoro iniziale prevede un modello statistico di base destinato al consumo interno dell’organizzazione.
Il progetto si propone di fornire una soluzione che soddisfi le seguenti capacità:
- Sostenere una funzione MLOps
- Abilitare il lavoro d’innovazione
Ciò si tradurrà in una serie di effetti sulle operazioni e sull’efficienza delle organizzazioni che l’adottano, compresi:
- La massimizzazione della sicurezza dei dati
- L’ottimizzazione dei costi
- L’implementazione di una buona governance del sistema
- L’aumento della supportabilità
Questo documento esplora inoltre le principali decisioni di progettazione relative alla rete, tra cui l’uso di Private Endpoints per garantire la sicurezza di tutti i dati in entrata/uscita, l’implementazione di un design di accesso in rete per tutelare i dati e il processo decisionale riguardo alla rimozione dei Network jump boxes dal design della soluzione, con l’obiettivo di ridurre la spesa operativa e la complessità della soluzione.
L’argomento dell’apprendimento automatico è vasto e complesso, ma grazie a strumenti come Azure Machine Learning, le organizzazioni possono iniziare a navigare questo territorio in modo sicuro e strategico, realizzando concretamente il valore dei loro dati e potenziando le loro capacità di data science.