Jobb gépi tanulási teljesítmény és megfigyelhetőség a Ray 2.2-ben

Megjelent a nyílt forráskódú gépi tanulási (ML) keretrendszer legújabb verziója, a Ray 2.2 javított teljesítmény és megfigyelhetőségi képességekkel.

A Ray egy népszerű nyílt forráskódú ML-keretrendszer, amelyet a szervezetek arra használnak, hogy modelljeiket több hardverfürtre méretezzék, mind a képzéshez és a következtetéshez. A Ray mögött álló vezető kereskedelmi támogató, az Anyscale eddig 259 millió dolláros finanszírozást gyűjtött. Az új Ray 2.2-es verzió folytatja az először a Ray 2.0-ban bevezetett képességek fejlesztését, beleértve a Ray AI Runtime-ot (AIR), amely az ML-szolgáltatások futtatására szolgáló futási rétegként szolgál.

A Ray Jobs funkció a béta verzióból általános elérhetőségűvé vált, így a felhasználók könnyen ütemezhetik és megismételhetik az ML számítási feladatokat. A Ray 2.2 javítja az ML-munkaterhelések megfigyelhetőségét is, segítve az adatkutatókat a hardveres erőforrások hatékony használatának biztosításában. Ezt a Ray irányítópultján megjelenített vizualizációkkal érik el, amelyek segítségével az üzemeltetők jobban megérthetik az erőforrás-kihasználtságot és a kapacitáskorlátokat.

A Ray Jobs, amely a Ray 2.2 kiadás része, szintén segít a felhasználóknak a munkaterhelések következetes és megismételhető módon történő telepítésében, ami a reprodukálhatóság lehetővé tételének kulcsfontosságú része. Alapvető fontosságú, hogy könnyen meghatározhatók legyenek az AI/ML munkaterhelés követelményei, beleértve a futtatáshoz szükséges alkalmazáskódot és függőségeket és ez segíti a magyarázhatóságot is.

• AI
• Ray
• ML
• Teljesítmény
• Megfigyelhetőség
• Reprodukálhatóság
• Jobs
• Vizualizáció