Im Fokus: Ausführen Serverloser ML-Workloads, Modelle für Deep Learning optimieren und erweitertes Data Science-Tooling [...]
Canonical, der Herausgeber von Ubuntu, bietet ab sofort Charmed Kubeflow 1.7 an. Charmed Kubeflow ist eine quelloffene, durchgängige MLOps-Plattform, die in jeder Cloud lauffähig ist, einschließlich Hybrid-Cloud- oder Multi-Cloud-Szenarien.
Diese neueste Version ermöglicht es, serverlose Machine-Learning-Workloads auszuführen und Model-Serving durchzuführen, unabhängig vom Framework, das verwendet wird. Entwickler können damit produktiver arbeiten, weil Routineaufgaben reduziert werden, Unternehmen können ihre Betriebskosten senken. So müssen Entwickler die darunter liegende Infrastruktur nicht mehr beschreiben.
Laut einer von Canonical durchgeführten Umfrage sind Open Source und Benutzerfreundlichkeit die wichtigsten Faktoren für IT-Fachleute bei der Auswahl von KI/ML-Tools. Charmed Kubeflow 1.7 erweitert sein Spektrum an Open-Source-Frameworks und -Bibliotheken und vereinfacht den Bereitstellungsprozess der Modellentwicklung mit einer Reihe neuer Funktionen.
Serverlose Arbeitslasten und neue Model-Serving-Funktionen
In einer aktuellen MLOps-Studie des Deloitte AI Institute geben 74 Prozent der Befragten an, dass sie innerhalb von drei Jahren künstliche Intelligenz (KI) in alle Unternehmensanwendungen integrieren wollen. Um dies zu erreichen, müssen Unternehmen Wege finden, ihre KI-Projekte auf reproduzierbare, portable und zuverlässige Weise zu skalieren.
Charmed Kubeflow 1.7 bietet neue Funktionen für KI im Unternehmen:
- Die Integration von KNative im Kubeflow-Paket ermöglicht es Unternehmen, serverlose Workloads für maschinelles Lernen ausführen.
- Mit KServe können Anwender nun unabhängig vom Framework Model serving durchführen.
- Neue Frameworks für die Modellierung, wie z. B. NVIDIA Triton.
Während Observability-Funktionen bereits seit letztem Jahr im Produkt integriert sind, bietet Charmed Kubeflow 1.7 jetzt neue Dashboards für eine verbesserte Benutzererfahrung und eine einfachere Überwachung der Infrastruktur. Weitere Informationen hierzu bietet der kürzlich veröffentlicht Leitfaden von Canonical: Integrate with Observability Stack using COS.
Mehr Entwicklungswerkzeuge
Charmed Kubeflow 1.7 unterstützt PaddlePaddle, eine industrielle Plattform mit zahlreichen Funktionen, die Datenwissenschaftlern bei der Entwicklung von Deep-Learning-Modellen helfen. Deep Learning ist ein Teilbereich des maschinellen Lernens, bei dem neuronale Netze verwendet werden, um menschliche Gehirne zu imitieren. Es erfordert eine enorme Menge an Rechenleistung und sehr große Datenmengen. PaddlePaddle geht diese Herausforderung an, indem es paralleles, verteiltes Deep Learning ermöglicht.
Deep Learning erfreut sich immer größerer Beliebtheit und PaddlePaddle selbst hat mehr als 1,9 Millionen Nutzer. Mit der Einführung von PaddlePaddle erweitert Charmed Kubeflow seine Bibliothek von Open-Source-Frameworks und damit die Wahlmöglichkeiten für IT-Mitarbeiter.
Verbesserte Funktionen zur Modelloptimierung
Datenwissenschaftler verbringen viel Zeit mit der Optimierung ihrer Modelle und müssen mit den neuesten KI-Fortschritten, Frameworks und Bibliotheken auf dem Laufenden bleiben. Katib löst dieses Problem, indem es den Zugriff auf Protokolle und die Abstimmung von Hyperparametern vereinfacht.
Die Katib-Komponente von Charmed Kubeflow verfügt über eine neue Benutzeroberfläche (UI), die die Anzahl der Low-Level-Befehle reduziert, die erforderlich sind, um geeignete Korrelationen zwischen Protokollen zu finden. Darüber hinaus enthält Katib neue Funktionen wie die Tune-API, die Tuning-Experimente erleichtert und den Zugriff der Benutzer auf Versuchsmetriken aus der Katib-Datenbank vereinfacht.
Mit diesen Erweiterungen von Katib können Datenwissenschaftler bessere Leistungskennzahlen erreichen, den Zeitaufwand für die Optimierung reduzieren und schnell experimentieren. Dies führt zu einer schnelleren Projektabwicklung, kürzeren Lebenszyklen für maschinelles Lernen und einem reibungsloseren Weg zu optimierten Entscheidungsfindungen bei KI-Projekten.
Weitere Highlights in Charmed Kubeflow 1.7
Charmed Kubeflow 1.7 unterstützt auch statistische Analysen, um eine neue Kategorie von Experten anzusprechen, die mit Statistiken arbeiten. Es kann sowohl strukturierte als auch unstrukturierte Daten analysieren und bietet Zugang zu Paketen wie R Shiny oder Bibliotheken wie Plotly.
Charmed Kubeflow ist seit kurzem auch für NVIDIA DGX-Software zertifiziert und beschleunigt damit den Einsatz von KI- und Data-Science-Projekten im großen Maßstab auf der leistungsstärksten Hardware.
Be the first to comment