Az adatok elemzését és a gépi tanulást egyre inkább használják minden nap és a kalandot megkísérlő vállalatok általában integrációs problémákkal is szembesülnek. E kihívásoknak való megfelelés érdekében Az IBM most mutatta be a CodeFlare-t, egy nyílt forráskódú keretrendszer, amely a RISE laboratórium Ray elosztott rendszerén alapul a kaliforniai Berkeley Egyetemen gépi tanulási modellekért.
codeflare célja a mesterséges intelligencia iterációs folyamatának egyszerűsítése az áramlások méretezéséhez szükséges konkrét elemekkel Az IBM-csoport projektje nőtt ki, amely a világ egyik első 2 nanométeres prototípus chipjének elkészítéséért felelős.
Az IBM szerint a CodeFlare segít egyszerűsíteni a nagyfeladatok és a mesterséges intelligencia munkafolyamatainak integrációját és hatékony méretezését a multi-cloud infrastruktúrákban.
"A CodeFlare az egyszerűsített gépi tanulás fogalmát veszi ... egy lépéssel tovább, túllépve az elszigetelt lépéseken, hogy zökkenőmentesen integrálja a végpontok közötti csővezetékeket egy olyan tudósbarát kezelőfelülettel, mint például a Python, nem pedig a konténerek" - Priya Nagpurkar, a Hibrid Cloud vezetője Az IBM Research platformja, a VentureBeat e-mailben közölte ... megkülönbözteti magát azáltal, hogy egyszerűsíti a teljes csővezetékek integrációját és méretezését egy egységes futásidejű és programozási felülettel. "
Egy blogbejegyzésben Az IBM elmagyarázta, hogy a gépi tanulási modellek létrehozása manapság intenzíven manuális feladat.. A kutatóknak először ki kell képezniük és optimalizálniuk kell egy modellt, amely olyan feladatokat tartalmaz, mint az adatok tisztítása, a funkciók kibontása, majd a modell optimalizálása, és itt az IBM szerint a CodeFlare elősegíti a munka egyszerűsítését.
Mivel a CodeFlare a Python programozási nyelven alapuló felületet használ a folyamat létrehozásához, amelyen keresztül könnyebb integrálni, párhuzamosítani és megosztani az adatokat. A CodeFlare ezután felhasználható a felhőalapú munkafolyamatok egyesítésére a felhőalapú számítástechnikai platformokon, anélkül, hogy új munkafolyamat-nyelvet tanulna az egyes infrastruktúra-típusokhoz.
Az IBM közölte a csővezetékeket telepíthető bármilyen felhő infrastruktúrára, beleértve az új IBM Cloud Code Engine-t is, amely egy szerver nélküli platform és a Red Hat OpenShift, ráadásul adaptereket is biztosít az eseményindítókhoz, például egy új fájl érkezéséhez, ami azt jelenti, hogy a csövek integrálódhatnak és kapcsolatba léphetnek más felhő-natív ökoszisztémákkal - mondta az IBM.
Ezenkívül lehetővé teszi az adatok betöltését és felosztását számos forrásból, például felhőobjektum-tárolókból, adatlakokból és elosztott fájlrendszerekből.
A CodeFlare használatával az új gépi tanulási projektek fő előnye a sebesség. A vállalat azt állította, hogy amikor az egyik felhasználó a CodeFlare-t alkalmazta 100,000 15 csővezeték elemzésére és optimalizálására a gépi tanulási modellek képzése érdekében, az egyes futtatási idő négy óráról mindössze XNUMX percre csökkent.
A sebesség fontos, magyarázta az IBM, mert az adatkészletek egyre nagyobbak, ami azt jelenti, hogy a gépi tanulás munkafolyamatai összetettebbé és összetettebbé válnak. Mint ilyen, a kutatók több időt töltenek a beállításaik konfigurálásával, mielőtt elvégezhetnék a dolgokat.
"Az IBM ezt úgy követi, hogy a CodeFlare nyílt forráskódját keretrendszerként használja az adatmunkások és a fejlesztők számára, hogy olyan mesterséges intelligencia modelleket hozzanak létre, amelyek bármilyen felhőn futtathatóak" - mondta Mueller. "A CodeFlare a RedHat OpenShift programon fut, és onnan éri el többfelhős képességét."
Az IBM azt mondta, hogy:
A CodeFlare ma nyílt forráskódú lesz, elérhető az IBM GitHub tárházában, emellett több mintát is kiad a CodeFlare csővezetékekből, amelyeket létrehozott, és amelyek az IBM Cloud és Red Hat OpenShift rendszeren futnak.
Végül ha érdekel, hogy többet tudjon meg róla vagy áttekintheti a CodeFlare forráskódját, megteheti a következő linkről.