데이터 분석 및 기계 학습은 매일 점점 더 많이 사용됩니다. 모험을 시도하는 회사는 일반적으로 통합 문제에 직면합니다. 이러한 과제를 해결하기 위해 IBM은 방금 CodeFlare를 도입했습니다. 오픈 소스 프레임워크, RISE 연구소의 Ray 분산 시스템을 기반으로 합니다. 기계 학습 모델을 위해 버클리 캘리포니아 대학에서.
코드플레어 흐름을 확장하기 위해 특정 요소를 사용하여 AI 반복 프로세스를 단순화하는 것을 목표로 합니다. 데이터 작업의 일부이며 세계 최초의 2나노미터 프로토타입 칩 중 하나를 만드는 책임이 있는 IBM 그룹의 프로젝트에서 성장했습니다.
IBM은 CodeFlare가 멀티 클라우드 인프라에서 빅 데이터 및 인공 지능 워크플로의 통합 및 효율적인 확장을 단순화하는 데 도움이 된다고 말합니다.
Priya Nagpurkar, Principal Hybrid Cloud는 "CodeFlare는 단순화된 머신 러닝의 개념을 도입했습니다... 한 단계 더 나아가 격리된 단계를 넘어 종단 간 파이프라인을 컨테이너가 아닌 Python과 같은 데이터 과학자 친화적인 인터페이스와 원활하게 통합합니다."라고 말했습니다. IBM Research의 플랫폼 VentureBeat는 이메일을 통해… 통합 런타임 및 프로그래밍 인터페이스로 전체 파이프라인의 통합 및 확장을 단순화함으로써 차별화됩니다."
블로그 게시물에서 IBM은 요즘 기계 학습 모델을 만드는 것이 매우 수동적인 작업이라고 설명했습니다.. 연구원은 먼저 데이터 정리, 특징 추출, 모델 최적화와 같은 작업을 포함하는 모델을 훈련하고 최적화해야 합니다. IBM은 CodeFlare가 이 작업을 단순화하는 데 도움이 된다고 말했습니다.
CodeFlare는 Python 프로그래밍 언어 기반 인터페이스를 사용하여 파이프라인을 생성하기 때문에 이를 통해 데이터를 더 쉽게 통합, 병렬화 및 공유할 수 있습니다. 그런 다음 CodeFlare를 사용하여 각 인프라 유형에 대한 새로운 워크플로 언어를 배우지 않고도 여러 클라우드 컴퓨팅 플랫폼에서 파이프라인 워크플로를 통합할 수 있습니다.
IBM은 파이프라인을 새로운 IBM Cloud Code Engine을 포함한 모든 클라우드 인프라에 배치할 수 있습니다. IBM은 서버리스 플랫폼이자 레드햇 오픈시프트인 동시에 새 파일 도착과 같은 이벤트 트리거를 위한 어댑터도 제공하기 때문에 파이프가 다른 클라우드 네이티브 에코시스템과 통합 및 연결할 수 있다고 말했다.
또한 클라우드 개체 저장소, 데이터 레이크 및 분산 파일 시스템과 같은 다양한 소스에서 데이터를 로드하고 분할할 수 있습니다.
CodeFlare를 사용하여 새로운 기계 학습 프로젝트를 설정하는 주요 이점은 속도입니다.. 회사는 사용자 중 한 명이 기계 학습 모델을 훈련하기 위해 100,000개의 파이프라인을 분석 및 최적화하기 위해 CodeFlare를 적용했을 때 각각의 실행 시간을 15시간에서 XNUMX분으로 단축했다고 주장했습니다.
속도가 중요하다고 IBM은 설명했습니다. 데이터 세트가 점점 더 커지고 있기 때문에 머신 러닝 워크플로가 더 복잡해지고 복잡해집니다. 따라서 연구원은 작업을 완료하기 전에 설정을 구성하는 데 더 많은 시간을 할애합니다.
Mueller는 "IBM은 데이터 작업자와 개발자가 모든 클라우드에서 실행할 수 있는 인공 지능 모델을 생성할 수 있는 프레임워크로 CodeFlare의 오픈 소스 코드를 사용하여 이를 추구하고 있습니다."라고 말했습니다. "CodeFlare는 RedHat OpenShift에서 실행되며 여기에서 멀티 클라우드 기능을 구현합니다."
IBM은 다음과 같이 말했습니다.
CodeFlare는 오늘 오픈 소스로 전환되며 GitHub의 IBM 리포지토리에서 사용할 수 있으며 IBM Cloud 및 Red Hat OpenShift에서 생성되어 실행되는 CodeFlare 파이프라인의 여러 샘플도 릴리스합니다.
최종적으로 그것에 대해 더 많이 알고 싶다면 또는 CodeFlare의 소스 코드를 검토할 수 있으면 할 수 있습니다. 다음 링크에서.