Kubernetes ML Optimizer ، Kubeflow ، يحسن المعالجة المسبقة للبيانات باستخدام الإصدار 1.6

ألا تستطيع حضور Transform 2022؟ تحقق من جميع جلسات القمة في مكتبتنا عند الطلب الآن! انظر هنا.

غالبًا عندما تنشر الشركات التطبيقات في بيئات مختلطة ومتعددة السحاب ، فإنها تستخدم نظام تنسيق حاويات Kubernetes مفتوح المصدر.

يسمح Kubernetes نفسه بجدولة موارد الحوسبة الافتراضية الموزعة وإدارتها ولا يتم تحسينه افتراضيًا لأي نوع معين من أحمال العمل ، حيث تأتي مشروعات مثل Kubeflow.

بالنسبة للمؤسسات التي تتطلع إلى تشغيل التعلم الآلي (ML) في السحابة ، ساعدت مجموعة من الشركات بما في ذلك Google و Red Hat و Cisco في تأسيس مشروع Kubeflow مفتوح المصدر في عام 2017. وقد استغرق الأمر ثلاث سنوات للوصول إلى Kubeflow 1.0 في مارس 2020 ، حيث جمع المشروع المزيد من المؤيدين والمستخدمين. على مدار العامين الماضيين ، استمر المشروع في التطور ، مضيفًا المزيد من الميزات لتلبية الطلبات المتزايدة لتعلم الآلة.

هذا الأسبوع ، أصبح أحدث تكرار لتقنية المصدر المفتوح متاحًا بشكل عام مع إصدار Kubeflow 1.6. يتضمن الإصدار الجديد تحديثات أمنية وميزات محسّنة لإدارة وقت تشغيل Cluster Service لـ ML ، بالإضافة إلى طرق جديدة لتحديد نماذج مختلفة من الذكاء الاصطناعي (AI) بسهولة أكبر لنشرها وتشغيلها. حدث

MetaBeat 2022

ستجمع MetaBeat قادة الفكر لتقديم المشورة بشأن الطريقة التي ستغير بها التكنولوجيا metaverse الطريقة التي تتواصل بها جميع الصناعات وتؤدي أعمالها في 4 أكتوبر في سان فرانسيسكو ، كاليفورنيا. سجل هنا

"Kubeflow عبارة عن نظام أساسي مفتوح المصدر للتعلم الآلي لعلماء البيانات الذين يرغبون في إنشاء خطوط أنابيب للتعلم الآلي وتجربتها ، أو مهندسي التعلم الآلي الذين ينشرون الأنظمة في بيئات تطوير متعددة" ، أندريه مونتينو ، مدير المنتج لـ AI / ML ، Canonical ، وفقًا لـ VentureBeat.

تحديات استخدام Kubernetes لـ ML

يمكن أن تواجه المؤسسات العديد من التحديات المحتملة عند محاولة نشر أعباء عمل تعلم الآلة في السحابة باستخدام Kubernetes.

بالنسبة إلى ستيفن هويلز ، كبير مديري إدارة واستراتيجية منتجات الذكاء الاصطناعي في Red Hat ، فإن المشكلة الأكبر ليست بالضرورة التكنولوجيا ، ولكن العملية. قال هويلز

"يتمثل التحدي الأكبر للمستخدمين في علوم البيانات والتعلم الآلي في قابلية التكرار ، وهي القدرة على إدارة دورة حياة النموذج من التجريب إلى الإنتاج بطريقة قابلة للتكرار".

أشار Huels إلى أن دمج بيئة تجريبية نموذجية من خلال بيئة البث والمراقبة يساعد في جعل هذا الاتساق أكثر قابلية للتحقيق ، مما يسمح للمستخدمين برؤية قيمة تجاربهم العلمية والبيانات ، بينما تجعل خطوط الأنابيب تدفقات العمل هذه قابلة للتكرار بمرور الوقت.

في يونيو من هذا العام ، أصدر فريق Kubeflow Community Release تقرير مراجعة استبيان المستخدم الذي حدد عددًا من التحديات الرئيسية للتعلم الآلي. وتجدر الإشارة إلى أن 16٪ فقط من المستجيبين أشاروا إلى أن جميع نماذج غسل الأموال التي عملوا عليها في عام 2021 قد تم نشرها بنجاح في الإنتاج وكانت قادرة على توفير قيمة تجارية. كشف الاستطلاع أيضًا أن الأمر يتطلب أكثر من خمس تكرارات للنموذج قبل أن يدخل حيز الإنتاج. في ملاحظة إيجابية ، قال 31٪ من المشاركين أن متوسط ​​عمر النموذج في الإنتاج كان ستة أشهر أو أكثر.

حدد استطلاع المستخدم أيضًا أن المعالجة المسبقة للبيانات هي واحدة من أكثر الجوانب استهلاكًا لتعلم الآلة.