Up tókànItọsọna atẹle
Awọn atunṣe akiyesi fun Awọn awoṣe koodu
Imọ-ẹrọ
Imọ Itọsọna
BentoML ati Iṣakojọpọ awoṣe
BentoML jẹ ilana Python orisun-ìmọ ti o ṣe akopọ awọn awoṣe ikẹkọ ẹrọ ti o ni ikẹkọ sinu idiwọn, awọn ẹya imuṣiṣẹ ti a pe ni 'Bentos'.
Gbọ si itọsọna yiiAI-ṣe afihan · ~2 min
Lori iwe yi2 min ka
Akopọ
It bridges the gap between a model sitting in a notebook and a production service that can actually serve predictions over an API.
Jin Dive
Nigbati onimọ-jinlẹ data ba pari ikẹkọ awoṣe kan, gbigba sinu iṣelọpọ nigbagbogbo tumọ si kikọ koodu iṣẹ pẹlu ọwọ, awọn igbẹkẹle pinni, kikọ aworan Docker kan, ati sisọ API kan. BentoML ṣe adaṣe eyi. O ṣafipamọ awoṣe kan si ile itaja awoṣe agbegbe rẹ, lẹhinna ṣalaye kilasi Iṣẹ kan pẹlu aaye ipari API ti a ṣe ọṣọ lati mu itọkasi. Aṣẹ 'bentoml kọ' ṣe akopọ awoṣe, koodu Python rẹ, awọn ẹya igbẹkẹle, ati iṣeto akoko asiko sinu ti ara ẹni, ti ikede Bento. Lati ibẹ 'bentoml containerize' ṣe agbejade aworan OCI Docker kan. BentoML ṣe atilẹyin fun gbogbo awọn ilana (PyTorch, TensorFlow, scikit-learn, XGBoost, Awọn Ayirapada Oju oju, ONNX) ati ṣafikun micro-batching adaṣe, eyiti o ṣe akojọpọ awọn ibeere ti nwọle ni adaṣe lati mu iwọn iṣelọpọ GPU pọ si laisi iyipada koodu rẹ.
Real-World imuse
Ẹgbẹ-iwadi jegudujera n ṣafipamọ awoṣe XGBoost kan si ile itaja BentoML ati kọ Bento kan ti o ṣafihan aaye ipari REST kan / asọtẹlẹ fun iṣẹ isanwo lati pe ni akoko gidi.
Ẹgbẹ iru ẹrọ ML kan nlo 'bentoml containerize' lati yi awoṣe itara Face Face sinu aworan Docker kan ti o ran lọ si iṣupọ Kubernetes inu wọn.
Ibẹrẹ n ṣe iranṣẹ awoṣe Llama ti o dara pẹlu OpenLLM (ti a ṣe lori BentoML), awọn ami ṣiṣanwọle si UI iwiregbe pẹlu batching ti nmu badọgba jẹ ki GPU kun.
Ile-iṣẹ iwo-kọmputa kan ṣajọpọ olupilẹṣẹ aworan aworan PyTorch pẹlu opo gigun ti o ti ṣaju sinu Bento kan nitorinaa awọn iyipada gangan ti a lo ninu ọkọ oju-omi ikẹkọ pẹlu awoṣe naa.
Ojo iwaju ti BentoML ati Iṣakojọpọ Awoṣe
BentoML ti rọra lile sinu awoṣe ede nla ati iṣẹ jiini AI, pẹlu OpenLLM ati BentoCloud ti n funni ni awọn idahun ami ṣiṣanwọle, autoscaling, ati ṣiṣe eto-mọ GPU. Reti isọdọkan wiwọ pẹlu awọn oluṣapejuwe itọkasi bii vLLM ati TensorRT-LLM, atilẹyin ti o dara julọ fun awọn ọna ṣiṣe agbo-ara-pupọ AI, ati awọn ọna irọrun lati inu Bento ti a kojọpọ si imuṣiṣẹ GPU ti ko ni olupin. Bi awọn ẹgbẹ ṣe nlọ lati awọn awoṣe ẹyọkan si awọn opo gigun ti aṣoju, BentoML n gbe ararẹ si ipo apoti ati iyẹfun iṣẹ ti o so awọn paati yẹn papọ.
Fifi o sinu iwa
Kini idi ti o ṣe pataki
- Iye owo ati isuna. Awọn ipinnu faaji ṣe awakọ iṣẹ ati idiyele iṣẹ fun awọn ọdun.
- Awọn ipinnu diẹ sii. Ẹkọ imọ-ẹrọ ṣe iranlọwọ fun awọn ẹgbẹ lati yan akopọ to tọ, kii ṣe ọkan tuntun nikan.
- Iṣakoso didara. Awọn yiyan imọ-ẹrọ to dara julọ dinku awọn iṣẹlẹ igbẹkẹle ni iṣelọpọ.
Ṣọra fun
- Ṣiṣepe ala-ilẹ kan le tọju awọn ailagbara eto ti o gbooro.
- Awọn ohun elo amayederun ati awọn idiyele itọju nigbagbogbo ni aibikita.
- Aabo ati awọn ela akiyesi le dagba bi awọn eto ṣe di eka sii.
Next awọn igbesẹ
- Ṣetumo lairi, didara, ati awọn ibi-afẹde idiyele ṣaaju imuse.
- Aṣepari labẹ ẹru ojulowo ati awọn ipo data.
- Abojuto ohun elo fun awọn aṣiṣe, fiseete, ati ipa olumulo.
- Mura ipadasẹhin pada ati awọn ipa ọna esi iṣẹlẹ ṣaaju iwọn.
Tesiwaju Ṣiṣawari
Ìwé ìròyìn ọfẹ
Gba ìkànìyàn AI ojoojúmọ́
Ìtàn AI mẹta tó jẹ́rìí ní gbogbo owurọ́ ọjọ́ iṣẹ́, kọ́wé ní Gẹ̀ẹ́sì tó rọrùn. Ọfẹ́ fún gbogbo àkókò, kò sí ìpolówó.
Ìmeèlì kan ní gbogbo ọjọ́ iṣẹ́. Yọkúrò ní ìkànìyàn ní ìkànìyàn kan. A kò ta tàbí pín àdírẹ́sì rẹ.
Ṣe idanwo fun ara rẹ
Take the BentoML and Model Packaging quiz
Ìdáhùn lẹ́sẹ̀kẹsẹ̀ lórí gbogbo ìdáhùn, àti iwe-ẹ̀rí tó lè pin pẹ̀lú ID tó lè jẹ́rìí lẹ́yìn tí o bá kọ́ ẹ̀kọ́.
Ṣe àtìlẹ́yìn ẹ̀kọ́ AI ọfẹ́. AI Understanding jẹ́ àjọ àìní èrè 501(c)(3) — kò sí ìpolówó, kò sí àkúnya owó, ní gbogbo àkókò. Ṣe ẹbun kan
Awọn ibeere ti a beere nigbagbogbo
What is BentoML and Model Packaging?
BentoML jẹ ilana Python orisun-ìmọ ti o ṣe akopọ awọn awoṣe ikẹkọ ẹrọ ti o ni ikẹkọ sinu idiwọn, awọn ẹya imuṣiṣẹ ti a pe ni 'Bentos'. O ṣe afara aafo laarin awoṣe ti o joko ni iwe ajako ati iṣẹ iṣelọpọ ti o le ṣe iranṣẹ awọn asọtẹlẹ gangan lori API kan.
Kini idiwon, ẹyọ imuṣiṣẹ ti BentoML ṣe jade?
BentoML ṣe akopọ awoṣe kan, koodu rẹ, awọn igbẹkẹle, ati atunto akoko asiko sinu ẹya ti o wa ninu ẹya ti a pe ni Bento.
Kini BentoML's micro-batching ti nmu badọgba ni akọkọ dara si?
Awọn ẹgbẹ batching ti nwọle awọn ibeere ti nwọle ni akoko asiko lati jẹ ki awọn GPU ṣiṣẹ lọwọ ati ki o pọsi igbejade laisi awọn iyipada koodu.
In BentoML 1.1’s Runner-based architecture, what handles compute-heavy model execution separately from API logic?
BentoML documentation describes Runners as the legacy 1.1 computation units that could execute separately; newer BentoML versions streamline services.
Aṣẹ wo ni o yi Bento ti a kọ sinu aworan OCI Docker kan?
'bentoml containerize' ṣe agbejade aworan OCI/Docker boṣewa lati Bento kan fun imuṣiṣẹ.
Ewo ninu iwọnyi jẹ idi pataki ti BentoML ṣe ifibọ awọn ẹya igbẹkẹle ninu Bento kan?
Pipọ ati ifibọ ayika jẹ ki iṣẹ ti a dipọ ṣe atunṣe ati deede nibikibi ti o ba ṣiṣẹ.
Tesiwaju kikọ
Jẹmọ awọn itọsọna
Awọn itọsọna diẹ sii ti a yan fun koko yii