Műszaki ÚTMUTATÓ

Seldon mag és következtetési grafikonok

A Seldon Core egy nyílt forráskódú platform a gépi tanulási modellek Kubernetes rendszerben való üzembe helyezéséhez, és egy kiemelkedő funkcióval: a következtetési grafikonokkal.

Hallgassa meg ezt az útmutatótAI-narrált · ~2 min

Ezen az oldalon2 perc olvasás
  1. Áttekintés
  2. Mély merülés
  3. Valós megvalósítás
  4. A Seldon Core és a következtetési gráfok jövője
  5. A gyakorlatba ültetés
  6. Folytassa a felfedezést
  7. Gyakran ismételt kérdések

Áttekintés

Egyetlen elszigetelt modell kiszolgálása helyett lehetővé teszi a modellek, útválasztók, kombinálók és transzformátorok egyetlen irányított gráfba láncolását, amely egyetlen telepíthető szolgáltatásként fut.

Mély merülés

Sok valós termelési felhasználási eset több mint egyetlen modellhívást foglal magában. Előzetesen feldolgozhatja a bevitelt, átirányíthat egy kérést a több modell egyikére, futtathat egy együttest, majd utófeldolgozása az eredménynek. A Seldon Core ezt egy SeldonDeploymentben (vagy v2 architektúrában a Seldon Core Operatoron és MLServeren keresztül) meghatározott következtetési gráfként fejezi ki. A gráf újrafelhasználható komponenstípusokból épül fel: a modell előrejelzéseket szolgál ki, a transzformátor módosítja a bemeneteket vagy kimeneteket, a router eldönti, hogy melyik gyermeket hívja meg (lehetővé teszi az A/B teszteket és a többkarú banditákat), a Combiner pedig több modell kimeneteit összesíti az összeállításhoz. A Seldon számos keretrendszert támogat előrecsomagolt szervereken és egyedi Python-burkolókon keresztül, és gazdag metrikákat, elosztott nyomkövetést és hasznos terhelési naplózást tesz elérhetővé a megfigyelhetőség és magyarázhatóság érdekében.

Valós megvalósítás

A kölcsönadó leláncol egy Transformert, amely egy-egy funkciókat kódol egy modellcsomópontba, majd egy Transformert, amely formázza a pontszámot, mindezt egyetlen SeldonDeploymentként.

Egy médiacég egy többkarú banditát futtató Router csomópontot használ, hogy dinamikusan több forgalmat küldjön arra az ajánlási modellre, amely magasabb kattintási jutalmat ér el.

Egy csapat három csalási modellt állít össze egy Combiner csomóponttal, amely átlagolja pontszámaikat, mielőtt egyetlen döntést visszaküldene a hívónak.

Egy szabályozott biztosító a Seldon-féle hasznos tehernaplózást és az Alibi magyarázókat egy következtetési grafikonhoz csatolja, így minden előrejelzés nyomon követhető és megmagyarázható az auditok számára.

A Seldon Core és a következtetési gráfok jövője

A Seldon a moduláris, adatközpontú MLO-k felé halad a Core v2 csővezetékével és adatfolyam-tervezésével, valamint szorosabb összekapcsolással az elsodródás észlelésével (Alibi Detect) és magyarázhatósággal (Alibi Explain). Ahogy az LLM-ek és az ügynökrendszerek a visszakeresés, a modellek és az eszközök összetett grafikonjaivá válnak, a következtetés-gráf absztrakció természetesen ezekre a munkafolyamatokra vonatkozik. Nagyobb hangsúlyt kell fektetni a többmodelles kiszolgálási hatékonyságra, a streamelésre és a szabványos megfigyelhetőségre, hogy az összetett, többlépcsős AI-rendszerek hibakereshetőek és irányíthatók maradjanak a gyártás során.

A gyakorlatba ültetés

Miért számít

  • Költség és költségvetés. Az építészeti döntések évekig növelik a teljesítményt és a működési költségeket.
  • Tisztább döntések. A technikai oktatás segít a csapatoknak a megfelelő verem kiválasztásában, nem csak a legújabb készletben.
  • Minőségellenőrzés. A jobb mérnöki döntések csökkentik a termelés megbízhatósági incidenseit.

Vigyázz

  • Egy benchmark optimalizálása elrejtheti a rendszer általános hiányosságait.
  • Az infrastrukturális és karbantartási költségeket gyakran alábecsülik.
  • A biztonsági és megfigyelhetőségi hiányosságok a rendszerek bonyolultabbá válásával nőhetnek.

Következő lépések

  1. Határozza meg a késleltetési, minőségi és költségcélokat a megvalósítás előtt.
  2. Benchmark reális terhelési és adatviszonyok mellett.
  3. Műszerfigyelés a hibák, az eltolódás és a felhasználói hatások szempontjából.
  4. A méretezés előtt készítse elő a visszagörgetési és az incidensre adott válaszútvonalakat.

Folytassa a felfedezést

Ingyenes hírlevél

Szerezze meg a napi AI összefoglalót

Minden hétköznap reggel három ellenőrzött AI történet, egyszerű angol nyelven. Örökké ingyen, hirdetések nélkül.

Minden hétköznap egy e-mail. Egy kattintással lemondhat. Soha nem értékesítjük vagy osztjuk meg az Ön címét.

Teszteld magad

Take the Seldon Core and Inference Graphs quiz

Azonnali visszajelzés minden válaszra, és megosztható tanúsítvány egy ellenőrizhető azonosítóval, miután sikeresen teljesít egy kurzust.

Kezdő kvíz

Támogassa az ingyenes AI oktatást. AI Understanding egy 501(c)(3) nonprofit – nincs hirdetés, nincs fizetőfal, soha. Tegyen adományt

Gyakran ismételt kérdések

Mi az a Seldon Core és Inference Graphs?

A Seldon Core egy nyílt forráskódú platform a gépi tanulási modellek Kubernetes rendszerben való üzembe helyezéséhez, és egy kiemelkedő funkcióval: a következtetési grafikonokkal. Egyetlen elszigetelt modell kiszolgálása helyett lehetővé teszi a modellek, útválasztók, kombinálók és transzformátorok egyetlen irányított gráfba láncolását, amely egyetlen telepíthető szolgáltatásként fut.

Mi az a meghatározó tulajdonság, amely megkülönbözteti a Seldon Core-t az egymodellű szerverektől?

A Seldon Core lehetővé teszi, hogy modelleket, útválasztókat, kombinálókat és transzformátorokat egyetlen, egyetlen szolgáltatásként telepített következtetési gráfba állítson össze.

Melyik Seldon gráfkomponens dönti el, hogy melyik gyermekcsomóponthoz küldjön kérést, engedélyezve az A/B teszteket?

A Router kéréseket irányít az egyik gyermekéhez, és végrehajthat A/B teszteket vagy többkarú banditákat.

Melyik alkatrésztípus aggregálja több modell kimenetét az összeállításhoz?

A Combiner egyetlen kimenetbe egyesíti több gyermekmodell válaszait, így épülnek fel az együttesek.

Milyen gráfszerkezetet alkot egy Seldon-következtető gráf?

A Seldon következtetési gráfok irányított aciklikus gráfok, ahol minden csomópont egy szabványos előrejelzési interfésszel rendelkező mikroszolgáltatás.

A Seldon Core v2-ben melyik szerver és protokoll teszi lehetővé a többmodelles kiszolgálást a grafikonon keresztül?

A Core v2 leválasztja a grafikont a modellkiszolgálókról az MLServer és az Open Inference Protocol használatával a többmodelles kiszolgáláshoz.