Sponsored Bericht

Elk bedrijf wordt een AI-bedrijf en ingenieurs staan ​​in de frontlinie om hun organisaties te helpen bij deze transitie. Om hun producten te verbeteren, wordt steeds vaker van engineeringteams gevraagd om machine learning op te nemen in hun productroadmaps en maandelijkse OKR's. Dit kan van alles zijn, van het implementeren van gepersonaliseerde ervaringen en fraudedetectiesystemen tot recentelijk natuurlijke taalinterfaces die worden aangedreven door grote taalmodellen.

Het AI-dilemma voor technische teams

Ondanks de belofte van ML en de groeiende lijst met roadmap-items, staan ​​de meeste productengineeringteams voor een paar belangrijke uitdagingen bij het bouwen van AI-toepassingen:

1. Gebrek aan adequate gegevenswetenschappelijke bronnen om hen te helpen snel in eigen huis aangepaste ML-modellen te ontwikkelen,
2. Bestaande ML-frameworks op laag niveau zijn te complex om snel te worden toegepast. Het schrijven van honderden regels TensorFlow-code voor een classificatietaak is geen sinecure voor iemand die nog niet bekend is met machine learning.
3. Het trainen van gedistribueerde ML-pijplijnen vereist diepgaande kennis van de infrastructuur en het kan maanden duren om modellen te trainen en te implementeren.

Als gevolg hiervan blijven technische teams geblokkeerd bij hun AI-initiatieven. Het doel van Q1 wordt dat van Q2 en wordt uiteindelijk verzonden in Q3.

Deblokkeer technici met declaratieve ML

Een nieuwe generatie van declaratieve machine learning-tools - voor het eerst ontwikkeld bij Uber, Apple en Meta - heeft tot doel deze dynamiek te veranderen door AI toegankelijk te maken voor technische teams (en iedereen die ML-nieuwsgierig is trouwens). Declaratieve ML-systemen vereenvoudigen het bouwen en aanpassen van modellen met een configuratiegestuurde benadering die is geworteld in technische best practices, vergelijkbaar met de manier waarop Kubernetes een revolutie teweegbracht in het beheer van infrastructuur.

In plaats van honderden regels low-level ML-code te schrijven, specificeert u eenvoudig uw modelinvoer (functies) en uitvoer (waarden die u wilt voorspellen) in een YAML-bestand en het framework biedt een aanbevolen en eenvoudig aan te passen ML-pijplijn. Met deze mogelijkheden kunnen ontwikkelaars binnen enkele minuten krachtige AI-systemen van productiekwaliteit bouwen voor praktische toepassingen. Ludwig, oorspronkelijk ontwikkeld door Uber, is het populairste open-source Declarative ML-framework met meer dan 9,000 sterren in Git.

Begin op een gemakkelijke manier met het bouwen van AI-applicaties met Declarative ML

Doe mee aan ons komende webinar en live demo om te leren hoe u aan de slag kunt met declaratieve ML met open-source Ludwig en een gratis proefversie van Predibase. Tijdens deze sessie leer je:

• Over declaratieve ML-systemen, incl. open-source Ludwig van Uber
• Hoe ML-modellen en LLM's te bouwen en aan te passen voor elke use case in minder dan 15 regels YAML
• Hoe u snel een multimodaal model voor botdetectie traint, itereert en implementeert met Ludwig en Predibase, en toegang krijgt tot onze gratis proefversie!

 
Red je plek
 

• Door SEO aangedreven content en PR-distributie. Word vandaag nog versterkt.
• PlatoAiStream. Web3 gegevensintelligentie. Kennis versterkt. Toegang hier.
• De toekomst slaan met Adryenn Ashley. Toegang hier.
• Koop en verkoop aandelen in PRE-IPO-bedrijven met PREIPO®. Toegang hier.
• Bron: 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