تجعل Databricks إنشاء تطبيقات ML في الوقت الفعلي أسهل مع الخدمة الجديدة

بدأت Databricks التي يوجد مقرها في سان فرانسيسكو ، والتي توفر منصة بيانات بحيرة لتخزين البيانات المتباينة وتعبئتها ، اليوم إمكانات الاستدلال في الوقت الحقيقي بدون خادم. تقول الشركة إن هذه الخطوة ستجعل نشر تطبيقات التعلم الآلي (ML) وتشغيلها أسهل بالنسبة للمؤسسات التي تعاني من ضغوط شديدة.

اليوم ، يعد التعلم الآلي في الوقت الحقيقي هو مفتاح نجاح المنتج. تقوم الشركات بنشره عبر مجموعة من حالات استخدام التطبيقات – من التوصيات إلى تخصيص الدردشة – لاتخاذ إجراءات فورية بناءً على تدفق البيانات وتحسين الإيرادات. ومع ذلك ، عندما يتعلق الأمر بدعم دورة الحياة الكاملة لأنظمة تطبيقات الذكاء الاصطناعي ، يمكن أن تصبح الأمور صعبة.

يتعين على الفرق استضافة نماذج ML الخاصة بهم على السحابة أو في أماكن العمل ، ومن ثم إتاحة الوصول إلى وظائفهم عبر واجهة برمجة التطبيقات لجعلها تعمل ضمن نظام التطبيق. غالبًا ما يطلق على هذه العملية اسم “خدمة النموذج”. يتطلب إنشاء بنية أساسية سريعة وقابلة للتطوير لا تدعم فقط حاجة الخدمة الرئيسية ، ولكن أيضًا عمليات البحث عن الميزات والمراقبة والنشر الآلي وإعادة تدريب النموذج. يؤدي هذا إلى قيام فرق بدمج أدوات متباينة ، مما يزيد من التعقيد التشغيلي ويؤدي إلى زيادة تكاليف الصيانة.

في الواقع ، ينتهي الأمر بمعظم علماء البيانات الذين يتعاملون مع هذه المهمة إلى إنفاق جزء كبير من وقتهم ومواردهم فقط على تجميع البيانات والحفاظ عليها ، وتعلم الآلة ، وخدمة البنية التحتية طوال دورة حياة تعلم الآلة.

نموذج الخدمة مع الاستدلال في الوقت الحقيقي بدون خادم

لمعالجة هذه الفجوة الخاصة لعملائها ، أطلقت Databricks نموذجًا يخدم الاستدلال في الوقت الفعلي بدون خادم في GA. إنها خطوة مهمة لشركة قادت تطوير أساليب معالجة بيانات Spark المستندة إلى مجموعة النظراء.

كما يوضح Databricks ، فإن الخدمة الجديدة هي خدمة مُدارة بالكامل على مستوى الإنتاج تعرض نماذج التعلم الآلي MLflow كنقاط نهاية REST API قابلة للتطوير. يقوم بكل الرفع الثقيل المرتبط بالعملية ، بدءًا من تكوين البنية التحتية إلى إدارة المثيلات ، والحفاظ على توافق الإصدار وإصدارات التصحيح. تعمل الخدمة على زيادة الموارد وتقليصها ديناميكيًا ، مما يضمن فعالية التكلفة وقابلية التوسع القصوى – كل ذلك مع توفير إمكانية عالية وزمن انتقال منخفض.

مع هذا العرض ، يلاحظ Databricks ، يمكن للمؤسسات تقليل البنية التحتية العامة وتسريع وقت الإنتاج لفرقهم. بالإضافة إلى ذلك ، فإن تكاملها العميق مع خدمات بحيرة البيانات المتنوعة ، مثل مخزن الميزات ، يضمن النسب التلقائي والحوكمة والمراقبة عبر البيانات والميزات ودورة حياة النموذج. وهذا يعني أنه يمكن للفرق إدارة عملية ML بالكامل ، بدءًا من استيعاب البيانات والتدريب إلى النشر والمراقبة على نظام أساسي واحد ، مما يؤدي إلى إنشاء عرض متسق عبر دورة حياة ML لتقليل الأخطاء وتسريع تصحيح الأخطاء.

أشار Databricks إلى أنه يمكن بدلاً من ذلك استخدام الوقت والموارد التي يتم توفيرها مع خدمة النموذج لبناء نماذج ذات جودة أفضل بشكل أسرع. كما أشار Gyuhyeon Sim ، الرئيس التنفيذي لشركة Letsur AI ، إلى مزايا مماثلة.

قال سيم إن القياس التلقائي السريع للخدمة يبقي التكاليف منخفضة مع السماح لها بالتوسع مع زيادة الطلب على حركة المرور. وأشار إلى أن “فريقنا يقضي الآن المزيد من الوقت في بناء نماذج لحل مشكلات العملاء بدلاً من تصحيح المشكلات المتعلقة بالبنية التحتية”.

يأتي التوافر العام للخدمة كأحدث خطوة من Databricks لتوفير كل ما تحتاجه المؤسسات لبناء نماذج بسرعة وسهولة باستخدام البيانات المخزنة في بحيرةها. أطلقت الشركة أيضًا إصدارات خاصة بالصناعة من منصتها لتقديم خدمة أفضل للعملاء في قطاعات مثل الرعاية الصحية والمنافسة بقوة ضد لاعبين مثل Snowflake و MongoDB.

جمعت Databricks 3.5 مليار دولار على مدار تسع جولات تمويل. تضم قاعدة عملائها عمالقة مثل AT&T و Columbia و Nasdaq و Grammarly و Rivian و Adobe.