يتم استخدام تحليلات البيانات والتعلم الآلي بشكل متزايد كل يوم والشركات التي تحاول المغامرة تواجه أيضًا مشاكل التكامل بشكل عام. لمواجهة هذه التحديات ، قدمت شركة IBM للتو CodeFlare ، إطار مفتوح المصدر ، والذي يعتمد على نظام توزيع الأشعة من مختبر RISE من جامعة كاليفورنيا في بيركلي لنماذج التعلم الآلي.
الوهج يهدف إلى تبسيط عملية تكرار الذكاء الاصطناعي بعناصر محددة لتوسيع نطاق التدفقات من عمل البيانات ونما من مشروع في مجموعة IBM المسؤولة عن إنشاء واحدة من أولى الرقائق النموذجية الأولية في العالم بحجم 2 نانومتر.
تقول IBM أن CodeFlare تساعد في تبسيط التكامل والتوسع الفعال للبيانات الضخمة وتدفقات عمل الذكاء الاصطناعي في البنى التحتية متعددة السحابة.
"تأخذ CodeFlare فكرة التعلم الآلي المبسط ... خطوة أخرى إلى الأمام ، وتتجاوز الخطوات المعزولة لدمج خطوط الأنابيب من طرف إلى طرف بسلاسة مع واجهة صديقة لعلماء البيانات مثل Python ، وليس الحاويات" ، Priya Nagpurkar ، Principal Hybrid Cloud منصة في IBM Research ، قالت VentureBeat في البريد الإلكتروني ... تميز نفسها عن طريق تبسيط تكامل وتوسيع خطوط الأنابيب بالكامل مع وقت تشغيل موحد وواجهة برمجة ".
في منشور مدونة ، أوضحت شركة IBM أن إنشاء نماذج التعلم الآلي هذه الأيام مهمة يدوية مكثفة.. يجب على الباحثين أولاً تدريب النموذج وتحسينه ، والذي يتضمن مهامًا مثل تنظيف البيانات ، واستخراج الميزات ، ثم تحسين النموذج ، وهذا هو المكان الذي قالت شركة IBM إن CodeFlare يساعد فيه على تبسيط هذا العمل.
نظرًا لأن CodeFlare يستخدم واجهة تعتمد على لغة برمجة Python لإنشاء خط أنابيب ، يسهل من خلالها دمج البيانات وتوازيها ومشاركتها. يمكن بعد ذلك استخدام CodeFlare لتوحيد مسارات سير العمل عبر العديد من أنظمة الحوسبة السحابية ، دون تعلم لغة جديدة لسير العمل لكل نوع من أنواع البنية التحتية.
قالت شركة آي بي إم خطوط الأنابيب يمكن نشرها على أي بنية أساسية سحابية ، بما في ذلك IBM Cloud Code Engine الجديد ، وهي عبارة عن نظام أساسي بدون خادم و Red Hat OpenShift ، بالإضافة إلى أنه يوفر أيضًا محولات لمشغلات الأحداث ، مثل وصول ملف جديد ، مما يعني أن الأنابيب يمكن أن تتكامل وتتصل بالنظم البيئية السحابية الأصلية.
علاوة على ذلك ، فإنه يسمح أيضًا بتحميل البيانات وتقسيمها من مصادر عديدة ، مثل مخازن الكائنات السحابية ، وبحيرات البيانات ، وأنظمة الملفات الموزعة.
الفائدة الرئيسية لاستخدام CodeFlare لإعداد مشاريع جديدة للتعلم الآلي هي السرعة. ادعت الشركة أنه عندما قام أحد مستخدميها بتطبيق CodeFlare لتحليل وتحسين 100,000،15 خط أنابيب لتدريب نماذج التعلم الآلي ، فقد قللت من وقت تشغيل كل منها من أربع ساعات إلى XNUMX دقيقة فقط.
أوضحت شركة IBM أن السرعة مهمة لأن مجموعات البيانات تكبر وأكبر ، مما يعني أن سير عمل التعلم الآلي يصبح أكثر تعقيدًا وتعقيدًا. على هذا النحو ، يقضي الباحثون وقتًا أطول في تكوين إعداداتهم قبل أن يتمكنوا من إنجاز الأمور.
قال مولر: "تتابع شركة IBM ذلك من خلال استخدام كود المصدر المفتوح لبرنامج CodeFlare كإطار عمل لعمال البيانات والمطورين لإنشاء نماذج ذكاء اصطناعي يمكن تشغيلها على أي سحابة". "يعمل CodeFlare على RedHat OpenShift ويحقق إمكانية تعدد السحابة من هناك."
قالت شركة IBM أن:
أصبحت CodeFlare مفتوحة المصدر اليوم وهي متوفرة في مستودع IBM على GitHub ، بالإضافة إلى أنها تطلق أيضًا عدة عينات من خطوط أنابيب CodeFlare التي أنشأتها والتي تعمل على IBM Cloud و Red Hat OpenShift.
أخيرا إذا كنت مهتمًا بمعرفة المزيد عنها أو تكون قادرًا على مراجعة الكود المصدري لـ CodeFlare ، يمكنك القيام بذلك من الرابط التالي.