Il prossimoProssima guida
Modifiche speculative per modelli di codice
Tecnico
GUIDA TECNICA
BentoML è un framework Python open source che confeziona modelli di machine learning addestrati in unità standardizzate e distribuibili chiamate "Bentos".
Ascolta questa guidaNarrato dall'IA · ~2 min
It bridges the gap between a model sitting in a notebook and a production service that can actually serve predictions over an API.
Quando un data scientist termina il training di un modello, metterlo in produzione di solito significa scrivere manualmente il codice di servizio, bloccare le dipendenze, creare un'immagine Docker e collegare un'API. BentoML automatizza tutto questo. Si salva un modello nel relativo archivio modelli locale, quindi si definisce una classe di servizio con un endpoint API decorato per gestire l'inferenza. Il comando 'bentoml build' impacchetta il modello, il codice Python, le versioni delle dipendenze e la configurazione runtime in un Bento autonomo e con versione. Da lì 'bentoml containerize' produce un'immagine Docker OCI. BentoML supporta quasi tutti i framework (PyTorch, TensorFlow, scikit-learn, XGBoost, Hugging Face Transformers, ONNX) e aggiunge il micro-batching adattivo, che raggruppa automaticamente le richieste in entrata per massimizzare il throughput della GPU senza modificare il codice.
Un team di rilevamento delle frodi salva un modello XGBoost nello store BentoML e crea un Bento che espone un endpoint REST /predict affinché il servizio di pagamenti possa chiamare in tempo reale.
Un team della piattaforma ML utilizza "bentoml containerize" per trasformare un modello di sentiment Hugging Face in un'immagine Docker da distribuire nel cluster Kubernetes interno.
Una startup fornisce un modello Llama ottimizzato con OpenLLM (basato su BentoML), trasmettendo token a un'interfaccia utente di chat con batching adattivo mantenendo la GPU saturata.
Una società di visione artificiale impacchetta un classificatore di immagini PyTorch con la sua pipeline di preelaborazione in un Bento in modo che le trasformazioni esatte utilizzate nell'addestramento vengano spedite con il modello.
BentoML si è dedicato fortemente al modello linguistico di grandi dimensioni e al servizio di intelligenza artificiale generativa, con OpenLLM e BentoCloud che offrono risposte ai token in streaming, scalabilità automatica e pianificazione basata sulla GPU. Aspettatevi un'integrazione più stretta con ottimizzatori di inferenza come vLLM e TensorRT-LLM, un migliore supporto per sistemi di intelligenza artificiale composti multi-modello e percorsi più fluidi da un Bento in pacchetto all'implementazione di GPU serverless. Man mano che i team passano da modelli singoli a pipeline di agenti, BentoML si posiziona come il livello di confezionamento e servizio che collega insieme questi componenti.
Newsletter gratuita
Tre storie verificate sull'IA ogni mattina nei giorni feriali, scritte in un inglese semplice. Gratuito per sempre, senza pubblicità.
Un'email ogni giorno feriale. Disiscriviti con un clic. Non vendiamo né condividiamo mai il tuo indirizzo.
Mettiti alla prova
Feedback immediato su ogni risposta e un certificato condivisibile con un ID verificabile una volta superato un corso.
Sostieni l'istruzione gratuita sull'IA. AI Understanding è un'organizzazione non profit 501(c)(3) — nessun annuncio, nessun paywall, mai. Fai una donazione
BentoML è un framework Python open source che confeziona modelli di machine learning addestrati in unità standardizzate e distribuibili chiamate "Bentos". Colma il divario tra un modello archiviato in un notebook e un servizio di produzione che può effettivamente fornire previsioni su un'API.
BentoML impacchetta un modello, il suo codice, le dipendenze e la configurazione di runtime in un'unità autonoma con versione chiamata Bento.
Il batch adattivo raggruppa le richieste in entrata in fase di runtime per mantenere occupate le GPU e massimizzare il throughput senza modifiche al codice.
BentoML documentation describes Runners as the legacy 1.1 computation units that could execute separately; newer BentoML versions streamline services.
'bentoml containerize' produce un'immagine OCI/Docker standard da un Bento per la distribuzione.
Il blocco e l'incorporamento dell'ambiente rendono il servizio in pacchetto riproducibile e coerente ovunque venga eseguito.
Continua a imparare
Altre guide selezionate per questo argomento
Il prossimoProssima guida
Modifiche speculative per modelli di codice
Tecnico