Sponsored Posts

Chaque entreprise devient une entreprise d'IA et les ingénieurs sont en première ligne pour aider leurs organisations à effectuer cette transition. Afin d'améliorer leurs produits, les équipes d'ingénierie sont de plus en plus sollicitées pour intégrer le machine learning dans leurs roadmaps produits et leurs OKR mensuels. Cela peut aller de la mise en œuvre d'expériences personnalisées et de systèmes de détection de fraude aux plus récentes interfaces en langage naturel alimentées par de grands modèles de langage.

Le dilemme de l'IA pour les équipes d'ingénierie

Malgré les promesses du ML et la liste croissante des éléments de la feuille de route, la plupart des équipes d'ingénierie produit sont confrontées à quelques défis clés lors de la création d'applications d'IA :

1. Manque de ressources adéquates en science des données pour les aider à développer rapidement des modèles de ML personnalisés en interne,
2. Les frameworks ML de bas niveau existants sont trop complexes pour être adoptés rapidement : écrire des centaines de lignes de code TensorFlow pour une tâche de classification n'est pas une mince affaire pour quelqu'un qui découvre l'apprentissage automatique.
3. La formation des pipelines ML distribués nécessite une connaissance approfondie de l'infrastructure et peut prendre des mois pour former et déployer des modèles.

En conséquence, les équipes d'ingénierie restent bloquées sur leurs initiatives d'IA. L'objectif de Q1 devient celui de Q2 et est finalement livré en Q3.

Débloquer les ingénieurs avec le ML déclaratif

Une nouvelle génération d'outils d'apprentissage automatique déclaratif - d'abord lancés chez Uber, Apple et Meta - vise à changer cette dynamique en rendant l'IA accessible aux équipes d'ingénierie (et à toute personne curieuse de ML d'ailleurs). Les systèmes ML déclaratifs simplifient la création et la personnalisation de modèles avec une approche basée sur la configuration ancrée dans les meilleures pratiques d'ingénierie, similaire à la façon dont Kubernetes a révolutionné la gestion de l'infrastructure.

Au lieu d'écrire des centaines de lignes de code ML de bas niveau, vous spécifiez simplement les entrées (fonctionnalités) et les sorties (valeurs que vous souhaitez prédire) de votre modèle dans un fichier YAML et le framework fournit un pipeline ML recommandé et facile à personnaliser. Grâce à ces capacités, les développeurs peuvent créer en quelques minutes de puissants systèmes d'IA de niveau production pour des applications pratiques. Ludwig, développé à l'origine chez Uber, est le framework de ML déclaratif open source le plus populaire avec plus de 9,000 XNUMX étoiles dans Git.

Commencez à créer des applications d'IA en toute simplicité avec Declarative ML

Rejoignez notre prochain webinaire et une démonstration en direct pour découvrir comment démarrer avec le ML déclaratif avec Ludwig open source et un essai gratuit de Predibase. Au cours de cette session, vous apprendrez :

• À propos des systèmes de ML déclaratifs, incl. Ludwig open-source d'Uber
• Comment créer et personnaliser des modèles ML et des LLM pour n'importe quel cas d'utilisation en moins de 15 lignes de YAML
• Comment former, itérer et déployer rapidement un modèle multimodal pour la détection de bots avec Ludwig et Predibase, et accéder à notre essai gratuit !

 
Enregistrez votre place
 

• Contenu propulsé par le référencement et distribution de relations publiques. Soyez amplifié aujourd'hui.
• PlatoAiStream. Intelligence des données Web3. Connaissance Amplifiée. Accéder ici.
• Frapper l'avenir avec Adryenn Ashley. Accéder ici.
• Achetez et vendez des actions de sociétés PRE-IPO avec PREIPO®. Accéder ici.
• La source: https://www.kdnuggets.com/2023/05/predibase-go-engineer-ml-engineer-declarative-ml.html?utm_source=rss&utm_medium=rss&utm_campaign=go-from-engineer-to-ml-engineer-with-declarative-ml