Analiza e të dhënave dhe mësimi makinerik përdoren gjithnjë e më shumë çdo ditë dhe kompanitë që provojnë aventurën gjithashtu përballen me probleme integrimi në përgjithësi. Për të përmbushur këto sfida, IBM sapo prezantoi CodeFlare, një kornizë me burim të hapur, e cila bazohet në sistemin Ray shpërndarë nga laboratori RISE nga Universiteti i Kalifornisë në Berkeley për modelet e të mësuarit të makinës.
codeflare synon të thjeshtojë procesin e përsëritjes së AI me elemente specifike për të shkallëzuar fluksin e punës së të dhënave dhe u rrit nga një projekt në grupin IBM përgjegjës për krijimin e një prej çipave të parë prototip me 2 nanometra në botë.
IBM thotë se CodeFlare ndihmon në thjeshtimin e integrimit dhe shkallëzimit efikas të rrjedhave të punës së të dhënave të mëdha dhe inteligjencës artificiale në infrastrukturat multi-cloud.
"CodeFlare merr nocionin e të mësuarit të thjeshtuar të makinës ... një hap më tej, duke shkuar përtej hapave të izoluar për të integruar në mënyrë të përsosur tubacionet fund-për-fund me një ndërfaqe miqësore për shkencëtarët e të dhënave si Python, jo kontejnerë", Priya Nagpurkar, Regjistri Hybrid Cloud Platforma në IBM Research, VentureBeat tha përmes emailit ... diferencon vetveten duke thjeshtuar integrimin dhe shkallëzimin e tubacioneve të tëra me një ndërfaqe të unifikuar të ekzekutimit dhe programimit.
Në një postim në blog, IBM shpjegoi se krijimi i modeleve të të mësuarit makinerik këto ditë është një detyrë manuale.. Studiuesit duhet së pari të trajnojnë dhe optimizojnë një model, i cili përfshin detyra si pastrimi i të dhënave, nxjerrja e veçorive dhe më pas optimizimi i modelit, dhe kjo është ajo ku IBM tha CodeFlare ndihmon në thjeshtësimin e kësaj pune.
Meqenëse CodeFlare përdor një ndërfaqe të bazuar në gjuhën programuese Python për të krijuar një tubacion, përmes së cilës është më e lehtë integrimi, paralelizimi dhe ndarja e të dhënave. CodeFlare më pas mund të përdoret për të unifikuar rrjedhat e punës së tubacionit nëpër platforma të shumta të llogaritjes në re, pa mësuar një gjuhë të re të punës për secilin lloj të infrastrukturës.
IBM tha tubacionet mund të vendoset në çdo infrastrukturë cloud, përfshirë motorin e ri IBM Cloud Code, e cila është një platformë pa server dhe Red Hat OpenShift, plus gjithashtu siguron adaptorë për shkaktarët e ngjarjeve, të tilla si ardhja e një skedari të ri, që do të thotë se tubat mund të integrohen dhe të lidhen me ekosistemet e tjera të lindura në re, tha IBM.
Për më tepër, ajo gjithashtu lejon që të dhënat të ngarkohen dhe të ndahen nga burime të shumta, të tilla si dyqanet e objekteve të reve, liqenet e të dhënave dhe sistemet e skedarëve të shpërndarë.
Përfitimi kryesor i përdorimit të CodeFlare për të ngritur projekte të reja për të mësuar makinerinë është shpejtësia. Kompania pretendoi se kur një nga përdoruesit e saj aplikoi CodeFlare për të analizuar dhe optimizuar 100,000 tubacione për të trajnuar modelet e të mësuarit të makinës, ajo zvogëloi kohën për të ekzekutuar secilin nga katër orë në vetëm 15 minuta.
Shpejtësia është e rëndësishme, shpjegoi IBM, sepse grupet e të dhënave bëhen gjithnjë e më të mëdha, që do të thotë se proceset e të mësuarit në makinë bëhen më komplekse dhe komplekse. Si të tillë, studiuesit kalojnë më shumë kohë duke konfiguruar cilësimet e tyre para se të mund të kryejnë gjërat.
"IBM po e ndjek këtë duke përdorur CodeFlare me burim të hapur si një kornizë për punonjësit e të dhënave dhe zhvilluesit për të ndërtuar modele të inteligjencës artificiale që mund të funksionojnë në çdo re", tha Mueller. "CodeFlare funksionon në RedHat OpenShift dhe arrin aftësinë e tij multi-cloud nga atje."
IBM tha se:
CodeFlare po shkon me burim të hapur sot që është në dispozicion në depon e IBM në GitHub, plus po lëshon gjithashtu disa shembuj të tubacioneve CodeFlare që ai ka krijuar dhe që funksionojnë në IBM Cloud dhe Red Hat OpenShift.
Më në fund nëse jeni të interesuar të dini më shumë për të ose mund të kontrolloni kodin burimor të CodeFlare nga lidhja e mëposhtme.