ДалееСледующее руководство
Обнаружение стоматологической рентгеновской полости с помощью искусственного интеллекта
Визуальный ИИ
Техническое РУКОВОДСТВО
Рэй для распределенного искусственного интеллекта
Ray — это платформа с открытым исходным кодом, которая позволяет легко масштабировать рабочие нагрузки Python и искусственного интеллекта с ноутбука на кластер из тысяч машин.
Прослушайте это руководствоОзвучено ИИ · ~2 min
На этой странице2 минуты чтения
Обзор
Это важно, поскольку дает простой и унифицированный способ распределения обучения, настройки, обработки данных и обслуживания без переписывания кода для каждого из них.
Глубокое погружение
Основная идея Рэя — превратить обычные функции и классы Python в распределенные модули с минимальными изменениями. Функция, помеченная как удаленная «задача», выполняется асинхронно на любом работнике в кластере; класс, помеченный как удаленный «субъект», становится службой с отслеживанием состояния, живущей в работнике. Рэй возвращает облегченные фьючерсы (ссылки на объекты) и управляет планированием, перемещением данных через общее хранилище объектов и отказоустойчивостью. Поверх этого ядра расположены специально созданные библиотеки: Ray Train для распределенного обучения моделей, Ray Tune для поиска по гиперпараметрам, Ray Data для конвейеров потоковой передачи данных, RLlib для обучения с подкреплением и Ray Serve для обслуживания масштабируемых моделей. Это позволяет одному кластеру обрабатывать весь рабочий процесс машинного обучения от начала до конца.
Реальная реализация
Запуск Ray Tune для параллельного поиска сотен комбинаций гиперпараметров в кластере графических процессоров для поиска лучшей конфигурации модели.
Использование Ray Train для распределения обучения модели глубокого обучения по множеству графических процессоров и узлов с минимальными изменениями кода.
Создание конвейера пакетного вывода с помощью Ray Data для оценки миллионов записей путем их потоковой передачи через модель в кластере.
Развертывание нескольких моделей за одной конечной точкой автомасштабирования с помощью Ray Serve для обработки переменного производственного трафика.
Будущее Ray для распределенного искусственного интеллекта
Рэй стал основой крупномасштабного искусственного интеллекта, в частности, используемого при обучении и обслуживании больших языковых моделей. Ожидайте роста обслуживания, ориентированного на LLM (Ray Serve с vLLM), гетерогенного планирования графических процессоров, более тесной интеграции с озерами данных и Kubernetes через KubeRay, а также лучшего автоматического масштабирования для резких генеративных рабочих нагрузок. По мере роста моделей роль Рэя в организации многоузлового обучения, конвейеров RLHF и пакетного вывода в тысячах ускорителей, вероятно, будет расширяться.
Применение на практике
Почему это важно
- Стоимость и бюджет. Архитектурные решения влияют на производительность и эксплуатационные расходы на протяжении многих лет.
- Более четкие решения. Техническое образование помогает командам выбрать правильный стек, а не только самый новый.
- Контроль качества. Лучший инженерный выбор снижает вероятность возникновения проблем с надежностью на производстве.
Следите за
- Оптимизация одного теста может скрыть более широкие недостатки системы.
- Затраты на инфраструктуру и техническое обслуживание часто недооцениваются.
- Пробелы в безопасности и наблюдаемости могут увеличиваться по мере усложнения систем.
Следующие шаги
- Определите целевые показатели задержки, качества и стоимости перед внедрением.
- Тестирование при реалистичной нагрузке и условиях данных.
- Мониторинг прибора на наличие ошибок, дрейфа и влияния пользователя.
- Перед масштабированием подготовьте пути отката и реагирования на инциденты.
Продолжайте исследовать
Бесплатная рассылка
Получайте ежедневный AI-обзор
Три проверенных AI-истории каждое утро буднего дня, написанные простым английским. Бесплатно навсегда, без рекламы.
Одно электронное письмо каждый будний день. Отписаться в один клик. Мы никогда не продаем и не передаем ваш адрес.
Проверьте себя
Take the Ray for Distributed AI quiz
Мгновенная обратная связь по каждому ответу и общий сертификат с проверяемым идентификатором после прохождения курса.
Поддержите бесплатное образование в области искусственного интеллекта. AI Understanding — это некоммерческая организация 501(c)(3). Никакой рекламы и платного доступа. Сделать пожертвование
Часто задаваемые вопросы
Что такое Ray для распределенного искусственного интеллекта?
Ray — это платформа с открытым исходным кодом, которая позволяет легко масштабировать рабочие нагрузки Python и искусственного интеллекта с ноутбука на кластер из тысяч машин. Это важно, поскольку дает простой и унифицированный способ распределения обучения, настройки, обработки данных и обслуживания без переписывания кода для каждого из них.
Какую проблему в первую очередь решает Рэй?
Ray предоставляет унифицированный и простой способ распределения вычислений между многими компьютерами без переписывания кода для каждого типа рабочей нагрузки.
В чем разница между «задачей» и «актером» в Рэе?
Задачи — это удаленные функции без сохранения состояния, выполняемые параллельно, а актеры — это долгоживущие объекты, сохраняющие состояние, например загруженная модель.
Что Рэй возвращает сразу при запуске удаленной задачи?
Рэй сразу же возвращает облегченное будущее, поэтому работа выполняется асинхронно; вы вызываете ray.get() для получения фактического результата, когда это необходимо.
Какая библиотека Ray предназначена для распределенного поиска гиперпараметров?
Ray Tune специализируется на параллельном проведении множества испытаний гиперпараметров в кластере.
Which object type do Ray’s docs explicitly say can be read from same-node object-store memory without a copy?
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.
Продолжайте учиться
Связанные руководства
Другие руководства, выбранные по этой теме