Ի՞նչ է արհեստական ​​բանականության համար նախատեսված ծրագրային շրջանակը։

Ի՞նչ է արհեստական ​​բանականության համար նախատեսված ծրագրային շրջանակը։

Հաստատուն շրջանակը այդ քաոսը վերածում է օգտագործելի աշխատանքային հոսքի: Այս ուղեցույցում մենք կբացատրենք, թե ինչ է ծրագրային շրջանակը արհեստական ​​բանականության համար , ինչու է այն կարևոր և ինչպես ընտրել մեկը՝ առանց ամեն հինգ րոպեն մեկ երկմտելու: Վերցրեք սուրճ, պահեք բաց ներդիրները: ☕️

Հոդվածներ, որոնք կարող են ձեզ դուր գալ կարդալ սրանից հետո.

🔗 Ի՞նչ է մեքենայական ուսուցումն ընդդեմ արհեստական ​​բանականության
Հասկացեք մեքենայական ուսուցման համակարգերի և արհեստական ​​բանականության միջև եղած հիմնական տարբերությունները։

🔗 Ի՞նչն է բացատրելի արհեստական ​​բանականությունը
Իմացեք, թե ինչպես է բացատրելի արհեստական ​​բանականությունը բարդ մոդելները դարձնում թափանցիկ և հասկանալի։

🔗 Ի՞նչ է մարդանման ռոբոտի արհեստական ​​բանականությունը
Ուսումնասիրեք մարդանման ռոբոտներին և ինտերակտիվ վարքագծին նպաստող արհեստական ​​բանականության տեխնոլոգիաները։

🔗 Ի՞նչ է նեյրոնային ցանցը արհեստական ​​բանականության մեջ
Բացահայտեք, թե ինչպես են նեյրոնային ցանցերը ընդօրինակում մարդու ուղեղը՝ տեղեկատվությունը մշակելու համար։

Ի՞նչ է արհեստական ​​բանականության համար նախատեսված ծրագրային շրջանակը։ Կարճ պատասխանը 🧩

Արհեստական ​​բանականության ծրագրային շրջանակը գրադարանների , աշխատանքային ժամանակի բաղադրիչների, գործիքների և կոնվենցիաների կառուցվածքային փաթեթ է, որը օգնում է ձեզ ավելի արագ և հուսալիորեն կառուցել, մարզել, գնահատել և տեղակայել մեքենայական ուսուցման կամ խորը ուսուցման մոդելներ: Այն ավելին է, քան մեկ գրադարան: Պատկերացրեք այն որպես կարծիքի հիմք, որը ձեզ տալիս է.

  • Տենզորների, շերտերի, գնահատիչների կամ խողովակաշարերի համար հիմնական աբստրակցիաներ

  • Ավտոմատ դիֆերենցիացիա և օպտիմիզացված մաթեմատիկական միջուկներ

  • Տվյալների մուտքագրման խողովակաշարեր և նախնական մշակման գործիքներ

  • Մարզման ցիկլեր, չափանիշներ և ստուգիչ կետեր

  • Փոխգործակցություն արագացուցիչների հետ, ինչպիսիք են գրաֆիկական պրոցեսորները և մասնագիտացված սարքավորումները

  • Փաթեթավորում, մատուցում և երբեմն փորձերի հետևում

Եթե ​​գրադարանը գործիքակազմ է, ապա շրջանակը՝ արհեստանոց՝ լուսավորությամբ, նստարաններով և պիտակ պատրաստող սարքով, որը դուք կձևացնեք, թե ձեզ պետք չէ… մինչև որ պետք չգա։ 🔧

«ինչ է ծրագրային շրջանակը արհեստական ​​բանականության համար» արտահայտությունը ։ Սա միտումնավոր է արված, քանի որ սա այն հարցն է, որը մարդկանց մեծ մասը գրում է, երբ կորչում է գործիքակազմի լաբիրինթոսում։

Ի՞նչն է դարձնում ծրագրային շրջանակը լավը արհեստական ​​բանականության համար։ ✅

Ահա այն կարճ ցանկը, որը ես կցանկանայի ունենալ, եթե սկսեի զրոյից.

  • Արդյունավետ էրգոնոմիկա ՝ մաքուր API-ներ, խելամիտ լռելյայն կարգավորումներ, օգտակար սխալի հաղորդագրություններ

  • Արդյունավետություն ՝ արագ միջուկներ, խառը ճշգրտություն, գրաֆիկների կոմպիլյացիա կամ JIT, որտեղ դա օգնում է

  • Էկոհամակարգի խորություն - մոդելային հանգույցներ, ձեռնարկներ, նախապես պատրաստված կշիռներ, ինտեգրացիաներ

  • Փոխադրելիություն - արտահանման ուղիներ, ինչպիսիք են ONNX-ը, բջջային կամ եզրային գործարկման ժամանակները, կոնտեյներների համար հարմարեցվածությունը

  • Դիտարկելիություն - չափանիշներ, գրանցում, պրոֆիլավորում, փորձերի հետևում

  • Մասշտաբայնություն - բազմա-GPU, բաշխված ուսուցում, առաձգական սպասարկում

  • Կառավարում - անվտանգության առանձնահատկություններ, տարբերակների կառավարում, տոհմածառ և փաստաթղթեր, որոնք ձեզ չեն հետևում

  • Համայնք և երկարակեցություն ՝ ակտիվ պահպանողներ, իրական աշխարհում կիրառում, հավաստի ճանապարհային քարտեզներ

Երբ այդ կտորները սեղմվում են, դուք ավելի քիչ սոսնձի կոդ եք գրում և ավելի շատ իրական արհեստական ​​բանականություն եք օգտագործում։ Ահա թե ինչն է իմաստը։ 🙂

Ֆրեյմվեյրների տեսակներ, որոնց կհանդիպեք 🗺️

Ոչ բոլոր շրջանակներն են փորձում անել ամեն ինչ։ Մտածեք կատեգորիաների մեջ՝

  • Խորը ուսուցման շրջանակներ ՝ տենզորային օպերացիաներ, ավտոդիֆերենցիալ մեխանիզմներ, նեյրոնային ցանցեր

    • PyTorch, TensorFlow, JAX

  • Դասական ML շրջանակներ ՝ խողովակաշարեր, հատկանիշների փոխակերպումներ, գնահատիչներ

    • scikit-learn, XGBoost

  • Մոդելային հանգույցներ և NLP կույտեր ՝ նախապես պատրաստված մոդելներ, տոկենիզատորներ, նուրբ կարգավորում

    • Գրկախառնվող դեմքի տրանսֆորմերներ

  • Մատուցման և եզրակացության կատարման ժամանակներ ՝ օպտիմիզացված տեղակայում

    • ONNX Runtime, NVIDIA Triton Inference Server, Ray Serve

  • MLOps և կյանքի ցիկլ . հետևում, փաթեթավորում, խողովակաշարեր, CI ML-ի համար

    • MLflow, Kubeflow, Apache Airflow, Prefect, DVC

  • Edge և բջջային . փոքր չափսեր, հարմար սարքավորման համար

    • TensorFlow Lite, Core ML

  • Ռիսկերի և կառավարման շրջանակներ ՝ գործընթացներ և վերահսկողություն, ոչ թե կոդ

    • NIST արհեստական ​​բանականության ռիսկերի կառավարման շրջանակ

Ոչ մի միասնական կույտ չի համապատասխանում բոլոր թիմերին։ Դա նորմալ է։

Համեմատական ​​աղյուսակ. հանրաճանաչ տարբերակները մեկ հայացքով 📊

Փոքրիկ առանձնահատկություններ են ներառված, քանի որ իրական կյանքը խառնաշփոթ է։ Գները փոփոխական են, բայց շատ հիմնական մասեր բաց կոդով են։

Գործիք / Կույտ Լավագույնը Գինու չափ Ինչու է այն աշխատում
PyTorch Հետազոտողներ, Pythonic մշակողներ Բաց կոդով Դինամիկ գրաֆիկները բնական են թվում. հսկայական համայնք։ 🙂
TensorFlow + Keras Արտադրություն մասշտաբային, խաչաձև հարթակներում Բաց կոդով Գրաֆիկական ռեժիմ, TF սպասարկում, TF Lite, ամուր գործիքակազմ։
ՋԱՔՍ Հզոր օգտատերեր, ֆունկցիայի փոխակերպումներ Բաց կոդով XLA ժողովածու, մաքուր մաթեմատիկան առաջին հերթին շեշտադրելով։
scikit-learn Դասական մեքենայական ուսուցում, աղյուսակային տվյալներ Բաց կոդով Խողովակաշարեր, չափանիշներ, գնահատիչի API-ներ՝ ընդամենը մի քանի սեղմումով։
XGBoost Կառուցվածքային տվյալներ, հաղթական բազային գծեր Բաց կոդով Կանոնավորացված խթանում, որը հաճախ պարզապես հաղթում է։
Գրկախառնվող դեմքի տրանսֆորմերներ NLP, տեսլական, դիֆուզիա՝ հանգույցի հասանելիությամբ Հիմնականում բաց է Նախապես պատրաստված մոդելներ + տոկենիզատորներ + փաստաթղթեր, վա՜յ։
ONNX-ի աշխատանքային ժամանակ Փոխադրելիություն, խառը շրջանակներ Բաց կոդով Արտահանել մեկ անգամ, արագ աշխատել բազմաթիվ backend-ների վրա։ [4]
MLflow Փորձերի հետևում, փաթեթավորում Բաց կոդով Վերարտադրելիություն, մոդելի գրանցամատյան, պարզ API-ներ։
Ռեյ + Ռեյ Սերվեր Բաշխված ուսուցում + սպասարկում Բաց կոդով Մասշտաբավորում է Python-ի աշխատանքային բեռները, սպասարկում է միկրո-փաթեթավորումը։
NVIDIA Triton Բարձր թողունակության եզրակացություն Բաց կոդով Բազմաֆրեյքվըրք, դինամիկ խմբաքանակավորում, գրաֆիկական պրոցեսորներ։
Կուբեֆլոու Kubernetes ML խողովակաշարեր Բաց կոդով K8-ների վրա ծայրից ծայր, երբեմն քմահաճ, բայց ուժեղ։
Օդային հոսք կամ պրեֆեկտ Ձեր մարզման շուրջ նվագախմբավորում Բաց կոդով Ժամանակացույց, կրկնակի փորձեր, տեսանելիություն։ Աշխատում է նորմալ։

Եթե ​​ցանկանում եք մեկ տողից բաղկացած պատասխաններ. PyTorch՝ հետազոտության համար, TensorFlow՝ երկարատև արտադրության համար, scikit-learn՝ աղյուսակային տարբերակի համար, ONNX Runtime՝ փոխադրելիության համար, MLflow՝ հետևման համար: Անհրաժեշտության դեպքում կվերադառնամ ավելի ուշ:

Գաղտնի տեղեկություններ. ինչպես են շրջանակները իրականում կատարում ձեր մաթեմատիկան ⚙️

Խորը ուսուցման շրջանակների մեծ մասը համատեղում է երեք կարևոր բան.

  1. Տենզորներ - բազմաչափ զանգվածներ՝ սարքերի տեղադրմամբ և հեռարձակման կանոններով։

  2. Autodiff - հակադարձ ռեժիմի դիֆերենցիացիա՝ գրադիենտները հաշվարկելու համար:

  3. Կատարման ռազմավարություն ՝ եռանդուն ռեժիմ vs գրաֆիկական ռեժիմ vs JIT կոմպիլյացիա։

  • PyTorch-ը լռելյայնորեն օգտագործում է express execution ռեժիմը և կարող է կոմպիլացնել գրաֆիկները torch.compile-ի ՝ գործողությունները միավորելու և արագացնելու համար՝ կոդի նվազագույն փոփոխություններով։ [1]

  • TensorFlow-ն լռելյայնորեն արագ աշխատում է և օգտագործում է tf.function-ը ՝ Python-ը տեղափոխելի տվյալների հոսքի գրաֆիկների մեջ բեմադրելու համար, որոնք անհրաժեշտ են SavedModel արտահանման համար և հաճախ բարելավում են կատարողականությունը։ [2]

  • JAX-ը հենվում է կոմպոզիցիոն ձևափոխությունների վրա, ինչպիսիք են jit-ը , grad-ը , vmap-ը և pmap-ը , կոմպիլյացիան կատարելով XLA-ի միջոցով՝ արագացման և զուգահեռության համար։ [3]

Ահա թե որտեղ է ապրում կատարողականությունը՝ միջուկներ, միաձուլումներ, հիշողության դասավորություն, խառը ճշգրտություն։ Ոչ թե կախարդանք՝ պարզապես կախարդական տեսք ունեցող ինժեներիա։ ✨

Մարզում ընդդեմ եզրակացության. երկու տարբեր սպորտաձևեր 🏃♀️🏁

  • Մարզումը շեշտը դնում է թողունակության և կայունության վրա: Դուք ցանկանում եք լավ օգտագործում, գրադիենտային մասշտաբավորում և բաշխված ռազմավարություններ:

  • Եզրակացությունը հետապնդում է լատենտությունը, արժեքը և զուգահեռությունը։ Ձեզ անհրաժեշտ է խմբաքանակավորում, քվանտացում և երբեմն օպերատորների միաձուլում։

Այստեղ կարևոր է փոխգործունակությունը.

  • ONNX-ը հանդես է գալիս որպես մոդելների փոխանակման ընդհանուր ձևաչափ. ONNX Runtime-ը մոդելներ է գործարկում բազմաթիվ սկզբնաղբյուրային շրջանակներից՝ պրոցեսորների, գրաֆիկական պրոցեսորների և այլ արագացուցիչների միջոցով՝ լեզվական կապերով բնորոշ արտադրական փաթեթների համար: [4]

Քվանտացումը, կտրումը և թորումը հաճախ մեծ հաղթանակներ են բերում։ Երբեմն՝ ծիծաղելիորեն մեծ, ինչը խաբեության է նման, չնայած այդպես չէ։ 😉

MLOps գյուղը. հիմնական շրջանակից այն կողմ 🏗️

Նույնիսկ լավագույն հաշվողական գրաֆիկը չի փրկի անկանոն կյանքի ցիկլը։ Ի վերջո, դուք կցանկանաք.

  • Փորձերի հետևում և գրանցամատյան . սկսեք MLflow-ից՝ պարամետրերը, չափանիշները և արտեֆակտները գրանցելու համար, խթանեք գրանցամատյանի միջոցով։

  • Խողովակաշարերի և աշխատանքային հոսքի կազմակերպում . Kubeflow Kubernetes-ի վրա կամ Airflow-ի և Prefect-ի նման գեներալիստներ

  • Տվյալների տարբերակում . DVC-ն պահպանում է տվյալների և մոդելների տարբերակվածությունը կոդի հետ մեկտեղ։

  • Կոնտեյներներ և տեղակայում . Docker պատկերներ և Kubernetes կանխատեսելի, մասշտաբային միջավայրերի համար

  • Մոդելային հանգույցներ . նախնական մարզումը, ապա նուրբ կարգավորումը ավելի հաճախ գերազանցում են գրինֆիլդի համեմատությանը

  • Մոնիթորինգ . լատենտություն, շեղում և որակի ստուգումներ, երբ մոդելները դուրս են գալիս արտադրության

Մի կարճ դաշտային անեկդոտ. մի փոքր էլեկտրոնային առևտրի թիմ ամեն օր ուզում էր «մեկ այլ փորձ», ապա չէր կարողանում հիշել, թե որ շարքն է օգտագործում որ հնարավորությունները: Նրանք ավելացրին MLflow-ը և պարզ «առաջխաղացում միայն գրանցամատյանից» կանոնը: Հանկարծ շաբաթական վերանայումները որոշումների վերաբերյալ էին, այլ ոչ թե հնագիտության: Այս օրինաչափությունը երևում է ամենուրեք:

Փոխգործունակություն և փոխադրելիություն. պահեք ձեր տարբերակները բաց 🔁

Կողպումը տեղի է ունենում աննկատ։ Խուսափեք դրանից՝ պլանավորելով հետևյալը.

  • Արտահանման ուղիներ ՝ ONNX, SavedModel, TorchScript

  • Գործողության ճկունություն ՝ ONNX Runtime, TF Lite, Core ML բջջայինի կամ Edge-ի համար

  • Կոնտեյներացում . կանխատեսելի կառուցման խողովակաշարեր Docker պատկերներով

  • Չեզոքություն մատուցելով . PyTorch-ի, TensorFlow-ի և ONNX-ի կողք կողքի հյուրընկալումը ձեզ ազնիվ է պահում։

Մատուցող շերտը փոխարինելը կամ մոդելը փոքր սարքի համար կազմելը պետք է լինի անհարմարություն, այլ ոչ թե վերաշարադրում։

Սարքավորումների արագացում և մասշտաբավորում. արագացրեք այն առանց արցունքների ⚡️

  • Գրաֆիկական պրոցեսորները գերիշխում են ընդհանուր մարզումների աշխատանքային ծանրաբեռնվածության մեջ՝ շնորհիվ բարձր օպտիմիզացված միջուկների (օրինակ՝ cuDNN):

  • Բաշխված ուսուցումը ի հայտ է գալիս, երբ մեկ GPU-ն չի կարողանում հաղթահարել խնդիրը՝ տվյալների զուգահեռություն, մոդելի զուգահեռություն, մասնատված օպտիմիզատորներ։

  • Խառը ճշգրտությունը խնայում է հիշողություն և ժամանակ՝ ճշգրտության նվազագույն կորստով, երբ ճիշտ է օգտագործվում։

Երբեմն ամենաարագ կոդը այն կոդն է, որը դուք չեք գրել. օգտագործեք նախապես պատրաստված մոդելներ և ճշգրտեք դրանք։ Իսկապես։ 🧠

Կառավարում, անվտանգություն և ռիսկ. ոչ միայն թղթաբանություն 🛡️

Արհեստական ​​բանականության ներդրումը իրական կազմակերպություններում նշանակում է մտածել հետևյալի մասին.

  • Ծագում . որտեղից են տվյալները ստացվել, ինչպես են դրանք մշակվել և որ մոդելի տարբերակն է ակտիվ։

  • Վերարտադրելիություն ՝ դետերմինիստական ​​կառուցվածքներ, ամրացված կախվածություններ, արտեֆակտների պահեստներ

  • Թափանցիկություն և փաստաթղթավորում . մոդելային քարտեր և տվյալների հաշվետվություններ

  • Ռիսկերի կառավարում . NIST արհեստական ​​բանականության ռիսկերի կառավարման շրջանակը տրամադրում է գործնական ուղեցույց՝ կյանքի ցիկլի ընթացքում հուսալի արհեստական ​​բանականության համակարգերը քարտեզագրելու, չափելու և կառավարելու համար: [5]

Սրանք կարգավորվող տիրույթներում կամավոր չեն։ Նույնիսկ դրանցից դուրս դրանք կանխում են շփոթեցնող խափանումները և անհարմար հանդիպումները։

Ինչպես ընտրել. արագ որոշման ստուգաթերթիկ 🧭

Եթե ​​դեռ նայում եք հինգ ներդիրներին, փորձեք սա.

  1. Հիմնական լեզուն և թիմային նախապատմությունը

    • Python-ի առաջին հերթին հետազոտական ​​թիմ. սկսեք PyTorch-ով կամ JAX-ով

    • Խառը հետազոտություն և արտադրություն. TensorFlow-ն Keras-ի հետ անվտանգ տարբերակ է

    • Դասական վերլուծություն կամ աղյուսակային կենտրոնացում. scikit-learn գումարած XGBoost

  2. Տեղակայման նպատակ

    • Ամպի եզրակացություն մասշտաբով. ONNX Runtime կամ Triton, կոնտեյներացված

    • Բջջային կամ ներկառուցված՝ TF Lite կամ Core ML

  3. Մասշտաբի կարիքներ

    • Մեկ գրաֆիկական պրոցեսոր կամ աշխատանքային կայան. ցանկացած հիմնական DL շրջանակ աշխատում է։

    • Բաշխված ուսուցում. ստուգեք ներկառուցված ռազմավարությունները կամ օգտագործեք Ray Train-ը

  4. MLOps-ի հասունություն

    • Սկզբնական օրեր՝ MLflow՝ հետևման համար, Docker պատկերներ՝ փաթեթավորման համար

    • Աճող թիմ. խողովակաշարերի համար ավելացրեք Kubeflow կամ Airflow/Prefect

  5. Փոխադրելիության պահանջ

    • ONNX արտահանման և չեզոք սպասարկման շերտի պլանավորում

  6. Ռիսկի դիրք

    • Համապատասխանեցրեք NIST ուղեցույցին, փաստաթղթավորեք տոհմածառը, կիրառեք վերանայումներ [5]:

Եթե ​​ձեր գլխում մնում է միայն այն հարցը, թե ինչ է արհեստական ​​բանականության ծրագրային շրջանակը , ապա հենց ընտրությունների ամբողջությունն է այդ ստուգաթերթիկները ձանձրալի դարձնում։ Ձանձրալի լինելը լավ բան է։

Տարածված խաբեություններ և թեթև առասպելներ 😬

  • Միֆ. մեկ շրջանակ է կառավարում բոլորը։ Իրականություն. դուք կհամադրեք և կհամապատասխանեք։ Դա առողջարար է։

  • Միֆ. մարզման արագությունը ամեն ինչ է: Եզրակացության արժեքը և հուսալիությունը հաճախ ավելի կարևոր են:

  • Բռնվեցի. տվյալների խողովակաշարերի մոռանալը։ Վատ մուտքագրումը խորտակում է լավ մոդելները։ Օգտագործեք համապատասխան բեռնիչներ և վավերացում։

  • Հասկացա. փորձի հետևումը բաց եմ թողնում։ Կմոռանաս, թե որ փորձարկումն էր լավագույնը։ Ապագայում կվրդովվես։

  • Միֆ. փոխադրելիությունը ավտոմատ է: Արտահանումները երբեմն խափանվում են հատուկ գործողությունների դեպքում: Փորձեք վաղ փուլում:

  • Հասկանալի է. չափազանց շուտ եմ խմբագրել MLO-ները։ Պահեք պարզությունը, ապա ավելացրեք գործիքավորում, երբ ցավ է զգացվում։

  • Մի փոքր թերի փոխաբերություն . պատկերացրեք ձեր շրջանակը որպես ձեր մոդելի համար նախատեսված հեծանիվի սաղավարտ: Ոճային չէ՞: Հնարավոր է: Բայց դուք կբաց թողնեք այն, երբ մայթը ձեզ ողջունի:

Մինի Հաճախակի տրվող հարցեր շրջանակների մասին ❓

Հարց. Արդյո՞ք շրջանակը տարբերվում է գրադարանից կամ հարթակից։

  • Գրադարան . ձեր կողմից կանչվող հատուկ ֆունկցիաներ կամ մոդելներ։

  • Framework . սահմանում է կառուցվածքը և կյանքի ցիկլը, միացնում է գրադարանները։

  • Հարթակ . ավելի լայն միջավայր՝ ենթակառուցվածքներով, UX-ով, հաշվառմամբ և կառավարվող ծառայություններով։

Հարց. Կարո՞ղ եմ արհեստական ​​բանականություն կառուցել առանց շրջանակի։

Տեխնիկապես՝ այո։ Գործնականում դա նման է բլոգի գրառման համար ձեր սեփական կոմպիլյատորը գրելուն։ Կարող եք, բայց ինչո՞ւ։

Հարց. Արդյո՞ք ինձ անհրաժեշտ են և՛ ուսուցում, և՛ մատուցման շրջանակներ:

Հաճախ այո։ Մարզվեք PyTorch-ում կամ TensorFlow-ում, արտահանեք ONNX, մատուցեք Triton-ի կամ ONNX Runtime-ի հետ։ Կարերը այնտեղ միտումնավոր են։ [4]

Հարց. Որտե՞ղ են հիմնված հեղինակավոր լավագույն փորձը։

NIST-ի AI RMF-ը ռիսկերի կառավարման պրակտիկաների համար, մատակարարների փաստաթղթերը ճարտարապետության համար, ամպային մատակարարների ML ուղեցույցները օգտակար խաչաձև ստուգումներ են: [5]

Բանալի արտահայտության համառոտ ամփոփում՝ պարզության համար 📌

Մարդիկ հաճախ փնտրում են, թե ինչ է ծրագրային շրջանակը արհեստական ​​բանականության համար, քանի որ փորձում են կապել հետազոտական ​​կոդը և տեղակայելի ինչ-որ բանի միջև։ Այսպիսով, ի՞նչ է ծրագրային շրջանակը արհեստական ​​բանականության համար գործնականում։ Դա հաշվարկների, աբստրակցիաների և կոնվենցիաների ընտրված մի ամբողջություն է, որը թույլ է տալիս մարզել, գնահատել և տեղակայել մոդելները ավելի քիչ անակնկալներով՝ միաժամանակ լավ խաղալով տվյալների փոխանցման խողովակաշարերի, սարքավորումների և կառավարման հետ։ Ահա և ասվեց երեք անգամ։ 😅

Վերջնական դիտողություններ - Շատ երկար ժամանակ չէի կարդացել 🧠➡️🚀

  • Արհեստական ​​բանականության ծրագրային շրջանակը ձեզ տալիս է կարծիք կազմող կառուցվածքներ՝ թենզորներ, ինքնադիֆիկացիա, ուսուցում, տեղակայում և գործիքավորում։

  • Ընտրեք ըստ լեզվի, տեղակայման նպատակի, մասշտաբի և էկոհամակարգի խորության։

  • Ակնկալվում է խառնել տարբեր կույտեր՝ PyTorch կամ TensorFlow՝ մարզելու համար, ONNX Runtime կամ Triton՝ սպասարկելու համար, MLflow՝ հետևելու համար, Airflow կամ Prefect՝ կազմակերպելու համար։ [1][2][4]

  • Վաղուց սովորեք դյուրակիրության, դիտարկելիության և ռիսկային գործելակերպի մասին։ [5]

  • Եվ այո, ընդունեք ձանձրալի մասերը։ Ձանձրալի լինելը կայուն է, և կայուն նավերը։

Լավ շրջանակները չեն վերացնում բարդությունը։ Դրանք այն կուտակում են, որպեսզի ձեր թիմը կարողանա ավելի արագ շարժվել՝ ավելի քիչ «վախենալու» պահերով։ 🚢

Հղումներ

[1] PyTorch - torch.compile- ի ներածություն (պաշտոնական փաստաթղթեր). կարդալ ավելին

[2] TensorFlow - Ավելի լավ աշխատանք tf.function-ի (պաշտոնական ուղեցույց). կարդալ ավելին

[3] JAX - Արագ սկիզբ. Ինչպես մտածել JAX-ում (պաշտոնական փաստաթղթեր). կարդալ ավելին

[4] ONNX Runtime - ONNX Runtime for Inferencing (պաշտոնական փաստաթղթեր). կարդալ ավելին

[5] NIST - Արհեստական ​​​​ինտելեկտի ռիսկերի կառավարման շրջանակ (AI RMF 1.0) : կարդալ ավելին

Գտեք արհեստական ​​բանականության վերջին նորույթները պաշտոնական արհեստական ​​բանականության օգնականների խանութում

Մեր մասին

Վերադառնալ բլոգ