أخبار التقنية

يعزز Ray 2.2 إمكانية ملاحظة التعلم الآلي وأداء قابلية التوسع


تحقق من جميع الجلسات عند الطلب من قمة الأمن الذكي هنا.


أصدر Ray ، وهو إطار عمل التعلم الآلي الشهير مفتوح المصدر (ML) ، نسخته 2.2 مع تحسين الأداء وإمكانيات الملاحظة ، بالإضافة إلى الميزات التي يمكن أن تساعد في تمكين التكاثر.

تستخدم المنظمات تقنية Ray على نطاق واسع لتوسيع نطاق نماذج ML عبر مجموعات من الأجهزة ، لكل من التدريب والاستدلال. من بين العديد من مستخدمي Ray ، هناك شركة OpenAI الرائدة في مجال الذكاء الاصطناعي ، والتي تستخدم Ray لتوسيع نطاق مجموعة متنوعة من أعباء العمل وتمكينها ، بما في ذلك دعم ChatGPT. الراعي التجاري الرئيسي لتقنية المصدر المفتوح Ray هو Anyscale ومقرها سان فرانسيسكو ، والتي جمعت 259 مليون دولار من التمويل حتى الآن.

يستمر إصدار Ray 2.2 الجديد في بناء سلسلة من القدرات التي تم تقديمها لأول مرة في تحديث Ray 2.0 في أغسطس 2022 ، بما في ذلك Ray AI Runtime (AIR) المصمم ليكون بمثابة طبقة وقت تشغيل لتنفيذ خدمات ML. مع الإصدار الجديد ، تنتقل ميزة Ray Jobs من كونها ميزة تجريبية إلى توفر عام ، مما يوفر للمستخدمين القدرة على جدولة أعباء عمل ML وتكرارها بسهولة أكبر.

>> لا تفوّت إصدارنا الخاص: أجندة CIO: خارطة طريق 2023 لقادة تكنولوجيا المعلومات. <

حدث

قمة أمنية ذكية عند الطلب

تعرف على الدور الحاسم للذكاء الاصطناعي وتعلم الآلة في الأمن السيبراني ودراسات الحالة الخاصة بالصناعة. شاهد الجلسات عند الطلب اليوم.

مشاهدة هنا

يوفر Ray 2.2 أيضًا سلسلة من القدرات التي تهدف إلى المساعدة في تحسين إمكانية ملاحظة أعباء عمل ML ، مما يساعد علماء البيانات على ضمان الاستخدام الفعال لموارد حوسبة الأجهزة.

قال روبرت نيشيهارا ، الشريك المؤسس والرئيس التنفيذي لشركة Anyscale ، لموقع VentureBeat: “أحد أكثر الأشياء شيوعًا وتحديًا فيما يتعلق بتوسيع نطاق تطبيقات التعلم الآلي هو تصحيح الأخطاء ، وهو أساسًا اكتشاف الخطأ الذي حدث”. “أحد أهم الأشياء التي يمكننا القيام بها باستخدام Ray هو تحسين الأدوات المتعلقة بإمكانية الملاحظة.”

عندما تكون الملاحظة مهمة لتوسيع أعباء عمل الذكاء الاصطناعي / تعلم الآلة

يلائم Ray عددًا من حالات الاستخدام الشائعة لمساعدة المؤسسات على توسيع نطاق الذكاء الاصطناعي (AI) وأعباء عمل ML.

أوضح نيشيهارا أن راي يستخدم بشكل شائع للمساعدة في توسيع نطاق أعباء العمل التدريبية وتشغيلها لنماذج ML. وأشار إلى أن Ray يستخدم أيضًا لأعباء عمل الاستدلال بالذكاء الاصطناعي ، بما في ذلك رؤية الكمبيوتر ومعالجة اللغة الطبيعية (NLP) ، حيث يتم تحديد الكثير من الصور أو النصوص.

على نحو متزايد ، تستخدم المؤسسات Ray لأحمال عمل متعددة في نفس الوقت ، وهو المكان المناسب لـ Ray AIR ، مما يوفر طبقة مشتركة لخدمات ML. مع Ray 2.2 ، قال Nishihara أن AIR يستفيد من تحسينات الأداء التي ستساعد في تسريع التدريب والاستدلال.

يحتوي Ray 2.2 أيضًا على تركيز قوي على المساعدة في تحسين إمكانية الملاحظة لجميع أنواع أحمال العمل الجارية. تتعلق تحسينات الملاحظة في Ray 2.2 بالتأكد من أن جميع أنواع أحمال العمل بها المقدار المناسب من الموارد لتشغيلها. قال نيشيهارا إن أحد أكبر فئات الأخطاء التي تواجهها أعباء العمل في تعلم الآلة هو نفاد الموارد ، مثل وحدة المعالجة المركزية أو ذاكرة وحدة معالجة الرسومات. من بين الطرق التي يعمل بها Ray 2.2 على تحسين إمكانية الملاحظة في المشكلات المتعلقة بالموارد ، من خلال التصور الجديد على لوحة معلومات Ray التي تساعد المشغلين على فهم استخدام الموارد وحدود السعة بشكل أفضل.

قال نيشيهارا: “لجعل الحوسبة الموزعة سهلة ولتمكين المزيد من الناس من بناء تطبيقات قابلة للتطوير ، عليك أن تجعل تصحيح الأخطاء أمرًا سهلاً”. “لذا يمكنك بسهولة تشخيص الخطأ الذي حدث ومعرفة ما يجب فعله لإصلاحه وهذا هو الهدف من الكثير من أدوات المراقبة وعمل لوحة القيادة الذي نقوم به.”

كيف ستعطي Ray Jobs قابلية استنساخ الذكاء الاصطناعي وقابلية شرحه دفعة قوية

يتضمن إصدار Ray 2.2 أيضًا التوافر العام لميزة Ray Jobs التي تساعد المستخدمين على نشر أحمال العمل بطريقة متسقة وقابلة للتكرار.

أوضح نيشيهارا أن Ray Jobs تتضمن كلاً من كود التطبيق الفعلي لحمل العمل بالإضافة إلى ملف البيان الذي يصف البيئة المطلوبة. يسرد البيان جميع التفاصيل المطلوبة لتشغيل حمل العمل ، مثل كود التطبيق والتبعيات المطلوبة في بيئة ما لتنفيذ التدريب أو العملية المرجعية.

تعد القدرة على تحديد المتطلبات الخاصة بكيفية تشغيل عبء عمل الذكاء الاصطناعي / التعلم الآلي جزءًا أساسيًا من تمكين قابلية التكرار ، وهو ما تدعمه Ray Jobs. تعد قابلية التكاثر أيضًا عنصرًا أساسيًا لتمكين القابلية للتفسير ، وفقًا لنيشيهارا.

قال نيشيهارا: “أنت بحاجة إلى إمكانية التكاثر لتكون قادرًا على فعل أي شيء ذي مغزى مع القابلية للتفسير”.

وأشار إلى أنه بشكل عام ، عندما يتحدث الناس عن القابلية للتفسير ، فإنهم يتحدثون عن القدرة على تفسير ما يفعله نموذج ML بالفعل. على سبيل المثال ، لماذا توصل النموذج إلى قرار معين.

قال: “أنت بحاجة إلى إعداد تجريبي قوي حتى تتمكن من البدء في طرح هذه الأسئلة ، وهذا يتضمن إمكانية التكاثر”.

مهمة VentureBeat هو أن تكون ساحة المدينة الرقمية لصناع القرار التقنيين لاكتساب المعرفة حول تكنولوجيا المؤسسات التحويلية والمعاملات. اكتشف إحاطاتنا.

اترك تعليقاً

لن يتم نشر عنوان بريدك الإلكتروني. الحقول الإلزامية مشار إليها بـ *

زر الذهاب إلى الأعلى