Veri analitiği ve makine öğrenimi her gün giderek daha fazla kullanılıyor ve macerayı deneyen şirketler de genel olarak entegrasyon sorunlarıyla karşı karşıyadır. Bu zorlukların üstesinden gelmek için, IBM, CodeFlare'i yeni tanıttı, açık kaynak kodlu bir çerçeve, RISE laboratuvarının Ray dağıtılmış sistemine dayanmaktadır Makine öğrenimi modelleri için Berkeley'deki California Üniversitesi'nden.
Kod Parlaması akışları ölçeklendirmek için belirli öğelerle AI yineleme sürecini basitleştirmeyi amaçlar IBM grubunda dünyanın ilk 2 nanometre prototip çiplerinden birinin yaratılmasından sorumlu bir projeden doğdu.
IBM, CodeFlare'in çoklu bulut altyapılarında büyük veri ve yapay zeka iş akışlarının entegrasyonunu ve verimli ölçeklenmesini basitleştirmeye yardımcı olduğunu söylüyor.
"CodeFlare basitleştirilmiş makine öğrenimi kavramını ele alıyor... IBM Research'teki Platform, dedi VentureBeat, e-posta yoluyla… birleşik bir çalışma zamanı ve programlama arabirimi ile tüm işlem hatlarının entegrasyonunu ve ölçeklenmesini basitleştirerek kendisini farklılaştırıyor. "
Bir blog gönderisinde, IBM, bugünlerde makine öğrenimi modelleri oluşturmanın son derece manuel bir görev olduğunu açıkladı.. Araştırmacılar önce veri temizleme, özellik çıkarma ve ardından model optimizasyonu gibi görevleri içeren bir modeli eğitmeli ve optimize etmelidir ve IBM, CodeFlare'in bu işi basitleştirmeye yardımcı olduğu yer burasıdır.
CodeFlare, bir ardışık düzen oluşturmak için Python programlama diline dayalı bir arabirim kullandığından, verileri entegre etmenin, paralelleştirmenin ve paylaşmanın daha kolay olduğu. CodeFlare daha sonra, her bir altyapı türü için yeni bir iş akışı dili öğrenmeden, birden çok bulut bilişim platformunda ardışık düzen iş akışlarını birleştirmek için kullanılabilir.
IBM, boru hatlarını söyledi yeni IBM Cloud Code Engine dahil olmak üzere herhangi bir bulut altyapısında devreye alınabilir, IBM, sunucusuz bir platform ve Red Hat OpenShift'in yanı sıra yeni bir dosyanın gelmesi gibi olay tetikleyicileri için adaptörler sağlıyor, bu da boruların diğer bulutta yerel ekosistemlerle bütünleşebileceği ve bunlara bağlanabileceği anlamına geliyor.
Ayrıca, bulut nesne depoları, veri gölleri ve dağıtılmış dosya sistemleri gibi çok sayıda kaynaktan verilerin yüklenmesine ve bölümlenmesine de izin verir.
Yeni makine öğrenimi projeleri oluşturmak için CodeFlare kullanmanın temel faydası hızdır. Şirket, kullanıcılarından biri, makine öğrenimi modellerini eğitmek için 100,000 işlem hattını analiz etmek ve optimize etmek için CodeFlare'i uyguladığında, her birinin çalışma süresini dört saatten yalnızca 15 dakikaya indirdiğini iddia etti.
IBM, hızın önemli olduğunu açıkladı. çünkü veri kümeleri gittikçe büyüyor, bu da makine öğrenimi iş akışlarının daha karmaşık ve karmaşık hale geldiği anlamına geliyor. Bu nedenle, araştırmacılar, işleri halletmeden önce ayarlarını yapılandırmak için daha fazla zaman harcarlar.
Mueller, "IBM, veri çalışanları ve geliştiriciler için herhangi bir bulutta çalışabilen yapay zeka modelleri oluşturmak için bir çerçeve olarak CodeFlare'in açık kaynak kodunu kullanarak bunu sürdürüyor" dedi. "CodeFlare, RedHat OpenShift üzerinde çalışır ve çoklu bulut özelliğini oradan elde eder."
IBM şunları söyledi:
CodeFlare bugün açık kaynağa geçiyor, GitHub'daki IBM deposunda zaten mevcut ve ayrıca kendi oluşturduğu ve IBM Cloud ve Red Hat OpenShift üzerinde çalışan birkaç CodeFlare işlem hattı örneğini yayınlıyor.
Nihayet onun hakkında daha fazla bilgi edinmekle ilgileniyorsan veya CodeFlare'in kaynak kodunu inceleyebilir, yapabilirsiniz aşağıdaki bağlantıdan.