Analiza datelor și învățarea automată sunt din ce în ce mai utilizate în fiecare zi iar companiile care încearcă aventura se confruntă, de asemenea, cu probleme de integrare în general. Pentru a face față acestor provocări, IBM tocmai a introdus CodeFlare, un cadru open source, care se bazează pe sistemul distribuit Ray al laboratorului RISE de la Universitatea din California la Berkeley pentru modele de învățare automată.
codeflare își propune să simplifice procesul de iterație AI cu elemente specifice pentru a scala fluxurile de date funcționează și a rezultat dintr-un proiect al grupului IBM responsabil pentru crearea unuia dintre primele prototipuri de 2 nanometri din lume.
IBM spune că CodeFlare ajută la simplificarea integrării și scalării eficiente a fluxurilor de lucru de date mari și inteligență artificială în infrastructuri multi-cloud.
"CodeFlare ia noțiunea de învățare automată simplificată ... cu un pas mai departe, mergând dincolo de pași izolați pentru a integra perfect conductele de la un capăt la altul cu o interfață prietenoasă cu oamenii de știință a datelor, cum ar fi Python, nu containerele", Priya Nagpurkar, Principal Hybrid Cloud Platformă la IBM Research, VentureBeat a spus prin e-mail ... se diferențiază prin simplificarea integrării și scalării unor conducte întregi cu o interfață unică de rulare și programare. "
Într-o postare pe blog, IBM a explicat că crearea de modele de învățare automată în zilele noastre este o sarcină intens manuală.. Cercetătorii trebuie mai întâi să antreneze și să optimizeze un model, care implică sarcini precum curățarea datelor, extragerea caracteristicilor și apoi optimizarea modelului, iar aici IBM a spus că CodeFlare ajută la simplificarea acestei activități.
Deoarece CodeFlare folosește o interfață bazată pe limbajul de programare Python pentru a crea o conductă, prin care este mai ușor să integreze, să paralelizeze și să partajeze date. CodeFlare poate fi apoi utilizat pentru a unifica fluxurile de lucru ale conductelor pe mai multe platforme de cloud computing, fără a învăța un nou limbaj al fluxului de lucru pentru fiecare tip de infrastructură.
IBM a spus că conductele poate fi implementat pe orice infrastructură cloud, inclusiv pe noul IBM Cloud Code Engine, care este o platformă fără server și Red Hat OpenShift, plus că oferă și adaptoare pentru declanșatoarele de evenimente, cum ar fi sosirea unui nou fișier, ceea ce înseamnă că conductele se pot integra și se pot conecta cu alte ecosisteme native în cloud, a spus IBM.
Mai mult, permite, de asemenea, încărcarea și partiționarea datelor din numeroase surse, cum ar fi stocările de obiecte cloud, lacurile de date și sistemele de fișiere distribuite.
Principalul avantaj al utilizării CodeFlare pentru a configura noi proiecte de învățare automată este viteza. Compania a susținut că atunci când unul dintre utilizatorii săi a aplicat CodeFlare pentru a analiza și optimiza 100,000 de conducte pentru a instrui modele de învățare automată, a redus timpul de rulare fiecare de la patru ore la doar 15 minute.
Viteza este importantă, a explicat IBM, deoarece seturile de date sunt din ce în ce mai mari, ceea ce înseamnă că fluxurile de lucru de învățare automată devin mai complexe și mai complexe. Ca atare, cercetătorii petrec mai mult timp configurându-și setările înainte de a putea face lucrurile.
„IBM urmărește acest lucru utilizând codul sursă deschisă CodeFlare ca cadru pentru lucrătorii de date și dezvoltatorii pentru a crea modele de inteligență artificială care pot rula pe orice cloud”, a spus Mueller. "CodeFlare rulează pe RedHat OpenShift și își atinge capacitatea multi-cloud de acolo."
IBM a spus că:
CodeFlare devine open source astăzi, este deja disponibil în depozitul IBM de pe GitHub, plus că lansează, de asemenea, mai multe eșantioane de conducte CodeFlare pe care le-a creat și care rulează pe IBM Cloud și Red Hat OpenShift.
În cele din urmă dacă sunteți interesat să aflați mai multe despre asta sau puteți revizui codul sursă al CodeFlare, îl puteți face din următorul link.