Il prossimoProssima guida
Rilevamento di cavità dentali a raggi X tramite intelligenza artificiale
IA visiva
GUIDA TECNICA
Ray è un framework open source che semplifica la scalabilità dei carichi di lavoro Python e AI da un laptop a un cluster di migliaia di macchine.
Ascolta questa guidaNarrato dall'IA · ~2 min
È importante perché offre un modo semplice e unificato per distribuire addestramento, messa a punto, elaborazione dati e servizio senza riscrivere il codice per ciascuno.
L'idea centrale di Ray è trasformare le normali funzioni e classi Python in unità distribuite con modifiche minime. Una funzione contrassegnata come "attività" remota viene eseguita in modo asincrono su qualsiasi lavoratore nel cluster; una classe contrassegnata come "attore" remoto diventa un servizio con stato che vive di un lavoratore. Ray restituisce future leggeri (riferimenti a oggetti) e gestisce la pianificazione, lo spostamento dei dati tramite un archivio di oggetti condiviso e la tolleranza agli errori. Oltre a questo, si trovano librerie appositamente create: Ray Train per l'addestramento del modello distribuito, Ray Tune per la ricerca di iperparametri, Ray Data per lo streaming di pipeline di dati, RLlib per l'apprendimento per rinforzo e Ray Serve per la presentazione di modelli scalabili. Ciò consente a un cluster di gestire un intero flusso di lavoro ML end-to-end.
Esecuzione di Ray Tune per cercare centinaia di combinazioni di iperparametri in parallelo su un cluster GPU per trovare la migliore configurazione del modello
Utilizzo di Ray Train per distribuire l'addestramento di un modello di deep learning su molte GPU e nodi con modifiche minime al codice
Costruire una pipeline di inferenza batch con Ray Data per ottenere milioni di record trasmettendoli in streaming attraverso un modello in un cluster
Distribuzione di più modelli dietro un singolo endpoint con scalabilità automatica con Ray Serve per gestire il traffico di produzione variabile
Ray è diventato una spina dorsale per l’intelligenza artificiale su larga scala, utilizzata in particolare nella formazione e nella fornitura di modelli linguistici di grandi dimensioni. Si prevede una crescita dei servizi specifici per LLM (Ray Serve con vLLM), pianificazione GPU eterogenea, integrazione più stretta con data lake e Kubernetes tramite KubeRay e migliore scalabilità automatica per carichi di lavoro generativi complessi. Man mano che i modelli crescono, è probabile che il ruolo di Ray nell'orchestrazione dell'addestramento multi-nodo, delle pipeline RLHF e dell'inferenza batch su migliaia di acceleratori si espanda.
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
Ray è un framework open source che semplifica la scalabilità dei carichi di lavoro Python e AI da un laptop a un cluster di migliaia di macchine. È importante perché offre un modo semplice e unificato per distribuire formazione, ottimizzazione, elaborazione dei dati e pubblicazione senza riscrivere il codice per ciascuno.
Ray fornisce un modo unificato e semplice per distribuire il calcolo su più macchine senza riscrivere il codice per ciascun tipo di carico di lavoro.
Le attività sono funzioni remote senza stato eseguite in parallelo, mentre gli attori sono oggetti di lunga durata che mantengono lo stato, come un modello caricato.
Ray restituisce subito un futuro leggero, quindi il lavoro funziona in modo asincrono; chiami ray.get() per recuperare il risultato effettivo quando necessario.
Ray Tune è specializzato nell'esecuzione di numerose prove di iperparametri in parallelo su un cluster.
Ray documents zero-copy reads for NumPy arrays stored in the object store when workers on the same node access them. Other values may require deserialization, and data requested across nodes must be transferred.
Continua a imparare
Altre guide selezionate per questo argomento
Il prossimoProssima guida
Rilevamento di cavità dentali a raggi X tramite intelligenza artificiale
IA visiva