Tổng quan
Ray là một khung mã nguồn mở giúp dễ dàng mở rộng quy mô khối lượng công việc Python và AI từ máy tính xách tay đến cụm hàng nghìn máy. Điều này quan trọng vì nó cung cấp một cách đơn giản, thống nhất để phân phối hoạt động đào tạo, điều chỉnh, xử lý dữ liệu và cung cấp mà không cần phải viết lại mã cho từng mục.
Ray dành cho AI phân tán là một khối xây dựng kỹ thuật ảnh hưởng đến chất lượng mô hình, chi phí cơ sở hạ tầng, độ trễ và độ tin cậy trên quy mô lớn.
Lặn sâu
Ý tưởng cốt lõi của Ray là biến các hàm và lớp Python thông thường thành các đơn vị phân tán với sự thay đổi tối thiểu. Một hàm được đánh dấu là 'tác vụ' từ xa sẽ chạy không đồng bộ trên bất kỳ nhân viên nào trong cụm; một lớp được đánh dấu là 'diễn viên' từ xa sẽ trở thành một dịch vụ có trạng thái phục vụ công nhân. Ray trả về tương lai nhẹ (tham chiếu đối tượng) và xử lý việc lập lịch, di chuyển dữ liệu thông qua kho lưu trữ đối tượng dùng chung và khả năng chịu lỗi. Ngoài các thư viện được xây dựng có mục đích cốt lõi này: Ray Train để đào tạo mô hình phân tán, Ray Tune để tìm kiếm siêu tham số, Ray Data để truyền trực tuyến các đường dẫn dữ liệu, RLlib để học tăng cường và Ray Serve để phục vụ mô hình có thể mở rộng. Điều này cho phép một cụm xử lý toàn bộ quy trình làm việc ML từ đầu đến cuối.
Hiểu biết kỹ thuật
Các nguyên hàm chính là các tác vụ (các lệnh gọi hàm song song, không trạng thái) và các tác nhân (các công nhân có trạng thái chứa những thứ như một mô hình đã tải hoặc một bộ đếm). Khi bạn gọi một tác vụ từ xa, Ray ngay lập tức trả về một tương lai và lên lịch công việc trên các CPU/GPU có sẵn; bạn gọi ray.get() để lấy kết quả. Kho lưu trữ đối tượng được phân phối trong bộ nhớ với bộ nhớ dùng chung không có bản sao giúp di chuyển các đối tượng lớn như mảng giữa các trình chạy một cách hiệu quả, tránh việc tuần tự hóa lặp lại và làm cho các đường dẫn AI nặng về dữ liệu trở nên nhanh chóng.
Làm chủ Ray cho AI phân tán
Ray là một khung mã nguồn mở giúp dễ dàng mở rộng quy mô khối lượng công việc Python và AI từ máy tính xách tay đến cụm hàng nghìn máy. Điều này quan trọng vì nó cung cấp một cách đơn giản, thống nhất để phân phối hoạt động đào tạo, điều chỉnh, xử lý dữ liệu và cung cấp mà không cần phải viết lại mã cho từng mục. Ray dành cho AI phân tán là một khối xây dựng kỹ thuật ảnh hưởng đến chất lượng mô hình, chi phí cơ sở hạ tầng, độ trễ và độ tin cậy trên quy mô lớn. Để xây dựng sự hiểu biết sâu sắc, hãy coi Ray dành cho AI phân tán như một mô hình vận hành chứ không phải một tính năng duy nhất: xác định kết quả mong muốn, làm rõ các giả định và tách biệt những gì hệ thống có thể thực hiện một cách đáng tin cậy với những gì vẫn cần đến sự đánh giá của chuyên gia.
Trong thực tế, các nhóm mạnh sử dụng Ray cho AI phân tán sẽ tối ưu hóa các lựa chọn về kiến trúc, dữ liệu và cơ sở hạ tầng dựa trên độ tin cậy và chi phí. Họ ghi lại các tiêu chí thành công rõ ràng, kiểm tra dựa trên dữ liệu và quy trình làm việc thực tế, đồng thời lặp lại dựa trên các kiểu thất bại được quan sát thay vì chiến thắng điểm chuẩn một lần. Đây là nơi sự hiểu biết về mặt lý thuyết biến thành khả năng bền vững trên toàn bộ sản phẩm, chính sách và hoạt động.
Các quyết định về kiến trúc sẽ thúc đẩy hiệu suất và chi phí vận hành trong nhiều năm. Đồng thời, Tối ưu hóa một điểm chuẩn có thể che giấu những điểm yếu lớn hơn của hệ thống. Cách tiếp cận linh hoạt nhất là kết hợp tốc độ thử nghiệm với kỷ luật quản trị: chạy thử nghiệm, thu thập bằng chứng, xuất bản nhật ký quyết định và liên tục cập nhật các biện pháp bảo vệ khi hành vi của mô hình, kỳ vọng của người dùng và các yêu cầu pháp lý phát triển.
Tác động chiến lược
Các quyết định về kiến trúc sẽ thúc đẩy hiệu suất và chi phí vận hành trong nhiều năm.
Các quyết định về kiến trúc sẽ thúc đẩy hiệu suất và chi phí vận hành trong nhiều năm. Trong quá trình triển khai chất lượng cao, điều này được chuyển thành các quy tắc vận hành, ranh giới quyền sở hữu và quy trình đánh giá định kỳ có thể đo lường được để các nhóm có thể mở rộng quy mô một cách tự tin thay vì mở rộng quy mô sự mơ hồ.
Giáo dục kỹ thuật giúp các nhóm chọn nhóm phù hợp chứ không chỉ nhóm mới nhất.
Giáo dục kỹ thuật giúp các nhóm chọn nhóm phù hợp chứ không chỉ nhóm mới nhất. Trong quá trình triển khai chất lượng cao, điều này được chuyển thành các quy tắc vận hành, ranh giới quyền sở hữu và quy trình đánh giá định kỳ có thể đo lường được để các nhóm có thể mở rộng quy mô một cách tự tin thay vì mở rộng quy mô sự mơ hồ.
Lựa chọn kỹ thuật tốt hơn làm giảm sự cố về độ tin cậy trong sản xuất.
Lựa chọn kỹ thuật tốt hơn làm giảm sự cố về độ tin cậy trong sản xuất. Trong quá trình triển khai chất lượng cao, điều này được chuyển thành các quy tắc vận hành, ranh giới quyền sở hữu và quy trình đánh giá định kỳ có thể đo lường được để các nhóm có thể mở rộng quy mô một cách tự tin thay vì mở rộng quy mô sự mơ hồ.
Triển khai trong thế giới thực
Chạy Ray Tune để tìm kiếm song song hàng trăm tổ hợp siêu tham số trên một cụm GPU nhằm tìm ra cấu hình mô hình tốt nhất
Sử dụng Ray Train để phân phối việc đào tạo mô hình học sâu trên nhiều GPU và nút với những thay đổi mã tối thiểu
Xây dựng quy trình suy luận hàng loạt với Ray Data để ghi được hàng triệu bản ghi bằng cách truyền chúng qua một mô hình trên một cụm
Triển khai nhiều mô hình đằng sau một điểm cuối tự động điều chỉnh quy mô duy nhất với Ray Serve để xử lý lưu lượng sản xuất thay đổi
Các mẫu triển khai
Ray cho AI phân tán trong thực tế
Chạy Ray Tune để tìm kiếm song song hàng trăm tổ hợp siêu tham số trên một cụm GPU nhằm tìm ra cấu hình mô hình tốt nhất.
Chạy Ray Tune để tìm kiếm song song hàng trăm tổ hợp siêu tham số trên một cụm GPU để tìm ra cấu hình mô hình tốt nhất Các nhóm thường đạt được kết quả tốt hơn khi họ xác định trước các ngưỡng chất lượng, duy trì lộ trình leo thang của con người đối với các trường hợp phức tạp và theo dõi cả mức tăng năng suất và chi phí lỗi theo thời gian.
Ray cho AI phân tán trong thực tế
Sử dụng Ray Train để phân phối việc đào tạo mô hình học sâu trên nhiều GPU và nút với những thay đổi mã tối thiểu.
Sử dụng Ray Train để phân phối việc đào tạo mô hình học sâu trên nhiều GPU và nút với những thay đổi mã tối thiểu Các nhóm thường đạt được kết quả tốt hơn khi họ xác định trước các ngưỡng chất lượng, duy trì lộ trình leo thang của con người đối với các trường hợp khó khăn và theo dõi cả mức tăng năng suất và chi phí lỗi theo thời gian.
Ray cho AI phân tán trong thực tế
Xây dựng quy trình suy luận hàng loạt với Ray Data để ghi được hàng triệu bản ghi bằng cách truyền chúng qua một mô hình trên một cụm.
Xây dựng quy trình suy luận hàng loạt với Ray Data để ghi điểm hàng triệu bản ghi bằng cách truyền chúng qua một mô hình trên một cụm. Các nhóm thường đạt được kết quả tốt hơn khi họ xác định trước các ngưỡng chất lượng, duy trì lộ trình leo thang của con người đối với các trường hợp khó khăn và theo dõi cả mức tăng năng suất và chi phí lỗi theo thời gian.
Ray cho AI phân tán trong thực tế
Triển khai nhiều mô hình đằng sau một điểm cuối tự động mở rộng quy mô duy nhất với Ray Serve để xử lý lưu lượng sản xuất thay đổi.
Triển khai nhiều mô hình đằng sau một điểm cuối tự động điều chỉnh quy mô duy nhất với Ray Serve để xử lý lưu lượng sản xuất thay đổi. Các nhóm thường đạt được kết quả tốt hơn khi họ xác định trước các ngưỡng chất lượng, duy trì lộ trình leo thang của con người đối với các trường hợp biên và theo dõi cả mức tăng năng suất và chi phí lỗi theo thời gian.
Rủi ro & lan can
Tối ưu hóa một điểm chuẩn có thể che giấu những điểm yếu của hệ thống rộng hơn.
Chi phí cơ sở hạ tầng và bảo trì thường được đánh giá thấp.
Khoảng cách về bảo mật và khả năng quan sát có thể tăng lên khi hệ thống trở nên phức tạp hơn.
Lộ trình thực hiện
Xác định các mục tiêu về độ trễ, chất lượng và chi phí trước khi triển khai.
Xác định các mục tiêu về độ trễ, chất lượng và chi phí trước khi triển khai. Hãy coi mỗi bước như một cổng bằng chứng: nếu không đáp ứng được các tiêu chí, hãy tạm dừng triển khai, thu hẹp khoảng cách và chỉ sau đó mới mở rộng mức sử dụng.
Điểm chuẩn trong điều kiện tải và dữ liệu thực tế.
Điểm chuẩn trong điều kiện tải và dữ liệu thực tế. Hãy coi mỗi bước như một cổng bằng chứng: nếu không đáp ứng được các tiêu chí, hãy tạm dừng triển khai, thu hẹp khoảng cách và chỉ sau đó mới mở rộng mức sử dụng.
Giám sát thiết bị về lỗi, độ lệch và tác động của người dùng.
Giám sát thiết bị về lỗi, độ lệch và tác động của người dùng. Hãy coi mỗi bước như một cổng bằng chứng: nếu không đáp ứng được các tiêu chí, hãy tạm dừng triển khai, thu hẹp khoảng cách và chỉ sau đó mới mở rộng mức sử dụng.
Chuẩn bị đường dẫn khôi phục và ứng phó sự cố trước khi mở rộng quy mô.
Chuẩn bị đường dẫn khôi phục và ứng phó sự cố trước khi mở rộng quy mô. Hãy coi mỗi bước như một cổng bằng chứng: nếu không đáp ứng được các tiêu chí, hãy tạm dừng triển khai, thu hẹp khoảng cách và chỉ sau đó mới mở rộng mức sử dụng.