Η ανάλυση δεδομένων και η μηχανική μάθηση χρησιμοποιούνται όλο και περισσότερο καθημερινά και εταιρείες που δοκιμάζουν την περιπέτεια αντιμετωπίζουν επίσης προβλήματα ενσωμάτωσης γενικά. Για την αντιμετώπιση αυτών των προκλήσεων, Η IBM μόλις παρουσίασε το CodeFlare, ένα πλαίσιο ανοιχτού κώδικα, το οποίο βασίζεται στο σύστημα κατανεμημένου Ray του εργαστηρίου RISE από το Πανεπιστήμιο της Καλιφόρνια στο Μπέρκλεϋ για μοντέλα μηχανικής μάθησης.
codeflare στοχεύει στην απλοποίηση της διαδικασίας επανάληψης της τεχνητής νοημοσύνης με συγκεκριμένα στοιχεία σε κλίμακες ροών των δεδομένων εργασίας και αναπτύχθηκε από ένα έργο στην ομάδα IBM υπεύθυνη για τη δημιουργία ενός από τα πρώτα πρωτότυπα τσιπ 2 νανομέτρων στον κόσμο.
Η IBM λέει ότι το CodeFlare βοηθά στην απλοποίηση της ενοποίησης και της αποτελεσματικής κλιμάκωσης των μεγάλων δεδομένων και των ροών εργασίας τεχνητής νοημοσύνης σε υποδομές πολλαπλών σύννεφων.
"Το CodeFlare παίρνει την έννοια της απλοποιημένης μηχανικής μάθησης ... ένα βήμα παραπέρα, προχωρώντας πέρα από μεμονωμένα βήματα για την ομαλή ενσωμάτωση αγωγών από άκρο σε άκρο με μια διεπαφή φιλική προς τους επιστήμονες όπως το Python, όχι τα κοντέινερ", Priya Nagpurkar, Principal Hybrid Cloud Η πλατφόρμα στην IBM Research, δήλωσε η VentureBeat μέσω email… διαφοροποιείται απλοποιώντας την ενοποίηση και κλιμάκωση ολόκληρων αγωγών με μια ενοποιημένη διεπαφή χρόνου εκτέλεσης και προγραμματισμού. "
Σε μια ανάρτηση ιστολογίου, Η IBM εξήγησε ότι η δημιουργία μοντέλων μηχανικής μάθησης αυτές τις μέρες είναι μια εξαιρετικά χειροκίνητη εργασία.. Οι ερευνητές πρέπει πρώτα να εκπαιδεύσουν και να βελτιστοποιήσουν ένα μοντέλο, το οποίο περιλαμβάνει εργασίες όπως καθαρισμός δεδομένων, εξαγωγή λειτουργιών και, στη συνέχεια, βελτιστοποίηση μοντέλου και εδώ είναι που η IBM είπε ότι το CodeFlare βοηθά στην απλοποίηση αυτού του έργου.
Δεδομένου ότι το CodeFlare χρησιμοποιεί μια διεπαφή που βασίζεται στη γλώσσα προγραμματισμού Python για τη δημιουργία ενός αγωγού, μέσω των οποίων είναι ευκολότερο να ενσωματωθούν, να παραλληλιστούν και να κοινοποιηθούν δεδομένα. Το CodeFlare μπορεί στη συνέχεια να χρησιμοποιηθεί για την ενοποίηση ροών εργασίας αγωγών σε πολλές πλατφόρμες υπολογιστικού νέφους, χωρίς να μάθει μια νέα γλώσσα ροής εργασίας για κάθε τύπο υποδομής.
Η IBM είπε ότι οι αγωγοί μπορεί να αναπτυχθεί σε οποιαδήποτε υποδομή cloud, συμπεριλαμβανομένης της νέας IBM Cloud Code Engine, η οποία είναι μια πλατφόρμα χωρίς διακομιστή και το Red Hat OpenShift, καθώς επίσης παρέχει προσαρμογείς για ενεργοποιήσεις συμβάντων, όπως η άφιξη ενός νέου αρχείου, το οποίο σημαίνει ότι οι σωλήνες μπορούν να ενσωματωθούν και να συνδεθούν με άλλα οικοσυστήματα που προέρχονται από σύννεφο, δήλωσε η IBM.
Επιπλέον, επιτρέπει επίσης τη φόρτωση και την κατανομή δεδομένων από πολλές πηγές, όπως αποθήκες αντικειμένων cloud, λίμνες δεδομένων και συστήματα κατανεμημένων αρχείων.
Το κύριο πλεονέκτημα της χρήσης του CodeFlare για τη δημιουργία νέων έργων μηχανικής μάθησης είναι η ταχύτητα. Η εταιρεία ισχυρίστηκε ότι όταν ένας από τους χρήστες της εφάρμοσε το CodeFlare για να αναλύσει και να βελτιστοποιήσει 100,000 αγωγούς για να εκπαιδεύσει μοντέλα μηχανικής εκμάθησης, μείωσε τον χρόνο εκτέλεσης του καθενός από τέσσερις ώρες σε μόλις 15 λεπτά.
Η ταχύτητα είναι σημαντική, εξήγησε η IBM, επειδή τα σύνολα δεδομένων γίνονται ολοένα και μεγαλύτερα, πράγμα που σημαίνει ότι οι ροές εργασίας μηχανικής μάθησης γίνονται όλο και πιο περίπλοκες. Ως εκ τούτου, οι ερευνητές αφιερώνουν περισσότερο χρόνο διαμορφώνοντας τις ρυθμίσεις τους πριν μπορέσουν να ολοκληρώσουν τα πράγματα.
"Η IBM επιδιώκει αυτό χρησιμοποιώντας το CodeFlare ανοιχτού κώδικα ως πλαίσιο για τους εργαζόμενους δεδομένων και τους προγραμματιστές για τη δημιουργία μοντέλων τεχνητής νοημοσύνης που μπορούν να τρέχουν σε οποιοδήποτε σύννεφο", δήλωσε ο Mueller. "Το CodeFlare τρέχει στο RedHat OpenShift και επιτυγχάνει τη δυνατότητα πολλαπλών cloud από εκεί."
Η IBM είπε ότι:
Το CodeFlare πηγαίνει ανοιχτός κώδικας σήμερα, είναι ήδη διαθέσιμο στο αποθετήριο IBM στο GitHub, ενώ κυκλοφορεί επίσης πολλά δείγματα αγωγών CodeFlare που έχει δημιουργήσει και που εκτελούνται στο IBM Cloud και το Red Hat OpenShift.
Τελικά αν ενδιαφέρεστε να μάθετε περισσότερα γι 'αυτό ή μπορείτε να ελέγξετε τον πηγαίο κώδικα του CodeFlare, μπορείτε να το κάνετε από τον παρακάτω σύνδεσμο.