มีการใช้การวิเคราะห์ข้อมูลและการเรียนรู้ของเครื่องมากขึ้นทุกวัน และบริษัทที่พยายามผจญภัยก็ประสบปัญหาการบูรณาการโดยทั่วไป เพื่อตอบสนองความท้าทายเหล่านี้ IBM เพิ่งเปิดตัว CodeFlare กรอบงานโอเพ่นซอร์สซึ่ง ขึ้นอยู่กับระบบการกระจายรังสีจากห้องปฏิบัติการ RISE จาก University of California at Berkeley สำหรับโมเดลการเรียนรู้ของเครื่อง
โค้ดแฟลร์ มีเป้าหมายเพื่อลดความซับซ้อนของกระบวนการวนซ้ำ AI ด้วยองค์ประกอบเฉพาะเพื่อปรับขนาดการไหล ของงานข้อมูลและเติบโตจากโครงการในกลุ่ม IBM ที่รับผิดชอบในการสร้างชิปต้นแบบขนาด 2 นาโนเมตรตัวแรกของโลก
IBM กล่าวว่า CodeFlare ช่วยลดความซับซ้อนในการผสานรวมและการปรับขนาดที่มีประสิทธิภาพของบิ๊กดาต้าและเวิร์กโฟลว์ปัญญาประดิษฐ์ในโครงสร้างพื้นฐานมัลติคลาวด์
"CodeFlare ใช้แนวคิดเรื่องการเรียนรู้ของเครื่องอย่างง่าย ... อีกขั้นหนึ่ง ก้าวข้ามขั้นตอนที่แยกออกมาเพื่อผสานรวมไปป์ไลน์แบบ end-to-end อย่างราบรื่นด้วยอินเทอร์เฟซที่เป็นมิตรต่อนักวิทยาศาสตร์ข้อมูล เช่น Python ไม่ใช่คอนเทนเนอร์" Priya Nagpurkar หัวหน้า Hybrid Cloud แพลตฟอร์มที่ IBM Research, VentureBeat กล่าวในอีเมล… สร้างความแตกต่างโดยทำให้การผสานรวมและการปรับขนาดของไปป์ไลน์ทั้งหมดง่ายขึ้นด้วยรันไทม์แบบรวมศูนย์และอินเทอร์เฟซการเขียนโปรแกรม "
ในบล็อกโพสต์ IBM อธิบายว่าการสร้างโมเดลแมชชีนเลิร์นนิงในปัจจุบันเป็นงานที่ต้องทำด้วยตนเองอย่างเข้มข้น. อันดับแรก นักวิจัยต้องฝึกอบรมและเพิ่มประสิทธิภาพโมเดล ซึ่งเกี่ยวข้องกับงานต่างๆ เช่น การล้างข้อมูล การดึงข้อมูลคุณลักษณะ จากนั้นการปรับโมเดลให้เหมาะสม และนี่คือจุดที่ IBM กล่าวว่า CodeFlare ช่วยให้งานนี้ง่ายขึ้น
เนื่องจาก CodeFlare ใช้อินเทอร์เฟซตามภาษาการเขียนโปรแกรม Python เพื่อสร้างไปป์ไลน์ ซึ่งทำให้ง่ายต่อการรวม เชื่อมโยง และแบ่งปันข้อมูล จากนั้น CodeFlare สามารถใช้เพื่อรวมเวิร์กโฟลว์ไปป์ไลน์ในแพลตฟอร์มการประมวลผลแบบคลาวด์หลายแพลตฟอร์ม โดยไม่ต้องเรียนรู้ภาษาเวิร์กโฟลว์ใหม่สำหรับโครงสร้างพื้นฐานแต่ละประเภท
IBM กล่าวว่าไปป์ไลน์ สามารถปรับใช้บนโครงสร้างพื้นฐานคลาวด์ใดๆ รวมถึง IBM Cloud Code Engine ใหม่ ซึ่งเป็นแพลตฟอร์มแบบไร้เซิร์ฟเวอร์และ Red Hat OpenShift อีกทั้งยังมีอะแดปเตอร์สำหรับทริกเกอร์เหตุการณ์ เช่น การมาถึงของไฟล์ใหม่ ซึ่งหมายความว่าไพพ์สามารถผสานรวมและเชื่อมต่อกับระบบนิเวศอื่นบนคลาวด์ได้ IBM กล่าว
นอกจากนี้ ยังอนุญาตให้โหลดและแบ่งข้อมูลข้อมูลจากแหล่งต่างๆ เช่น ที่จัดเก็บอ็อบเจ็กต์บนคลาวด์ ดาต้าเลค และระบบไฟล์แบบกระจาย
ประโยชน์หลักของการใช้ CodeFlare เพื่อตั้งค่าโปรเจ็กต์แมชชีนเลิร์นนิงใหม่คือความเร็ว. บริษัทอ้างว่าเมื่อผู้ใช้รายหนึ่งใช้ CodeFlare เพื่อวิเคราะห์และเพิ่มประสิทธิภาพท่อส่ง 100,000 ท่อเพื่อฝึกโมเดลการเรียนรู้ของเครื่อง จะช่วยลดเวลาในการทำงานแต่ละรายการจากสี่ชั่วโมงเหลือเพียง 15 นาที
ความเร็วเป็นสิ่งสำคัญ IBM อธิบายว่า เนื่องจากชุดข้อมูลมีขนาดใหญ่ขึ้นเรื่อยๆ ซึ่งหมายความว่าเวิร์กโฟลว์แมชชีนเลิร์นนิงมีความซับซ้อนและซับซ้อนมากขึ้น ด้วยเหตุนี้ นักวิจัยจึงใช้เวลามากขึ้นในการกำหนดค่าการตั้งค่าก่อนที่จะทำสิ่งต่างๆ ให้เสร็จสิ้น
"ไอบีเอ็มกำลังดำเนินการโดยใช้โอเพ่นซอร์สโค้ดของ CodeFlare เป็นเฟรมเวิร์กสำหรับผู้ปฏิบัติงานด้านข้อมูลและนักพัฒนาเพื่อสร้างโมเดลปัญญาประดิษฐ์ที่สามารถทำงานบนคลาวด์ใดก็ได้" Mueller กล่าว "CodeFlare ทำงานบน RedHat OpenShift และบรรลุความสามารถด้านมัลติคลาวด์จากที่นั่น"
ไอบีเอ็มกล่าวว่า:
CodeFlare กำลังเปิดโอเพ่นซอร์สในวันนี้ โดยมีให้บริการในที่เก็บของ IBM บน GitHub และยังปล่อยตัวอย่างท่อส่ง CodeFlare หลายตัวที่สร้างขึ้นและทำงานบน IBM Cloud และ Red Hat OpenShift
ในที่สุด หากคุณสนใจที่จะทราบข้อมูลเพิ่มเติม หรือสามารถตรวจสอบซอร์สโค้ดของ CodeFlare ก็ทำได้เลย จากลิงค์ต่อไปนี้.