Anyscale 推出用于构建和扩展 AI 和 ML 开发的新工具

扩展机器学习 （ML） 和人工智能 （AI） 工作负载所需的资源可能是一项复杂的任务。

可靠地扩展用于ML训练的开发资源的需求至关重要，因为组织正在构建更多模型 - 其中许多模型从未真正投入生产。 Gartner 于 2022 年 4 月发布的一份报告发现，只有5% 的人工智能模型从试点阶段进入生产阶段。

组织可以用来扩展 AI 和 ML 项目并可能将更多模型投入生产的众多工具之一是开源 Ray 框架，该框架在 2 月份达到了 0.<> 里程碑。Ray的创建者Anyscale通过其托管的Anyscale平台超越了开源平台的核心开放功能，现在正在进一步扩展这些功能。

该公司的新版本Anyscale Workspaces今天以早期预览版提供。它为用户提供了云托管的开发人员环境，用于以可重复的方法构建和扩展 AI。

“我们正在努力达到这样的地步：如果开发人员知道如何在笔记本电脑上编程，并且他们知道Python，这就是他们需要知道的，以便进行机器学习以构建可扩展的应用程序，”Anyscale首席执行官兼联合创始人Robert Nishihara告诉VentureBeat。

ML 扩展的关键是可重复性

根据Nishihara的说法，今天的数据科学家和开发人员习惯于在本地系统上使用Python设计ML模型。

Anyscale 工作区扩展了开发人员在他们自己开发的单个系统上习惯的相同体验，并将其扩展到云中。用户可以受益于Anyscale平台，该平台可以支持数百个GPU和数千个CPU。

对于Workspaces，Nishihara表示，目标是帮助开发人员更快地迭代模型，最终将进入生产用例。

工作区服务在云中的容器内运行，并且是高度可自定义的。组织可以指定要安装的 AI 或 ML 和数据科学工具。还可以克隆工作区，使组织可以轻松地为所有用户重现相同的开发环境。

根据Nishihara的说法，开发环境的可重复性对于快速迭代至关重要。借助通用、可重现的 AI 和 ML 开发环境，开发人员可以更轻松地在模型开发上进行协作，并且还可以让新开发人员继续现有项目。

“你不希望开发人员不得不花时间建立基础设施，或者让它按照他们以前运行的方式，”他说。“现在，一旦有人按照自己喜欢的方式工作开发环境，它就可以重用。

Nishihara解释说，在Workspaces之前，他自己承认，Anyscale平台上的交互式AI / ML开发“更痛苦”。拥有一个可以轻松定制或复制的持久开发环境并不容易。

更快的集群设置加快了模型迭代

Anyscale 也加速了快速设置集群进行训练的能力。

随着新的更新登陆Anyscale平台，该公司声称它现在可以启动训练集群，速度比常规开源版本的Ray快五倍。Nishira说，一个复杂的集群可以在一到两分钟内建立起来，这使得开发人员能够更快地迭代模型。

例如，他说，如果结果需要10分钟才能出现，因为这是集群启动所需的时间，那么开发人员将花费大量时间等待事情发生。

“如果我提交工作，它立即开始运行，我得到了结果，那么我可以一遍又一遍地这样做，”西原说。“因此，虽然从理论上讲，用户仍然可以像以前一样做所有同样的事情，但当涉及到生产力时，它会改变游戏规则。

椰有料原创，作者：小椰子啊，转载请注明出处：http://www.studioyz.com/3016.html