Aworan nipasẹ Onkọwe
 

Ṣe o rilara lailai bi ọpọlọpọ awọn irinṣẹ wa fun MLOps? Ohun elo kan wa fun titele idanwo, data ati ikede awoṣe, orchestration bisesenlo, ile itaja ẹya, idanwo awoṣe, imuṣiṣẹ ati ṣiṣe, ibojuwo, awọn ẹrọ asiko ṣiṣe, awọn ilana LLM, ati diẹ sii. Ẹka ọpa kọọkan ni awọn aṣayan pupọ, ti o jẹ ki o ni idamu fun awọn alakoso ati awọn onise-ẹrọ ti o fẹ ojutu ti o rọrun, ọpa ti a ti iṣọkan ti o le ṣe awọn iṣọrọ fere gbogbo awọn iṣẹ-ṣiṣe MLOps. Eyi ni ibi ti awọn iru ẹrọ MLOps ipari-si-opin wa. 

Ninu ifiweranṣẹ bulọọgi yii, a yoo ṣe atunyẹwo awọn iru ẹrọ MLOps opin-si-opin ti o dara julọ fun awọn iṣẹ akanṣe ti ara ẹni ati ti ile-iṣẹ. Awọn iru ẹrọ wọnyi yoo jẹ ki o ṣẹda iṣan-iṣẹ ikẹkọ ẹrọ adaṣe adaṣe ti o le ṣe ikẹkọ, orin, ranṣiṣẹ, ati atẹle awọn awoṣe ni iṣelọpọ. Ni afikun, wọn funni ni awọn iṣọpọ pẹlu ọpọlọpọ awọn irinṣẹ ati awọn iṣẹ ti o le ti lo tẹlẹ, ti o jẹ ki o rọrun lati yipada si awọn iru ẹrọ wọnyi.

1. AWS SageMaker

Ẹlẹda Amazon jẹ ojutu awọsanma olokiki pupọ fun ipari-si-opin ẹrọ ikẹkọ igbesi aye. O le tọpinpin, ṣe ikẹkọ, ṣe iṣiro, lẹhinna ran awoṣe lọ si iṣelọpọ. Pẹlupẹlu, o le ṣe atẹle ati idaduro awọn awoṣe lati ṣetọju didara, mu awọn orisun iṣiro pọ si lati ṣafipamọ idiyele, ati lo awọn opo gigun ti CI/CD lati ṣe adaṣe iṣan-iṣẹ MLOps rẹ ni kikun. 

Ti o ba wa tẹlẹ lori awọsanma AWS (Awọn iṣẹ wẹẹbu Amazon), iwọ kii yoo ni iṣoro nipa lilo rẹ fun iṣẹ ikẹkọ ẹrọ. O tun le ṣepọ opo gigun ti epo ML pẹlu awọn iṣẹ miiran ati awọn irinṣẹ ti o wa pẹlu Amazon Cloud. 

Iru si AWS Sagemaker, o le gbiyanju Vertex AI ati Azure ML. Gbogbo wọn pese awọn iṣẹ kanna ati awọn irinṣẹ fun kikọ opo gigun ti epo MLOPs ipari-si-opin pẹlu iṣọpọ pẹlu awọn iṣẹ awọsanma. 

2. Famọra Oju

Emi ni ńlá kan àìpẹ ti awọn Idoju Iwari Syeed ati ẹgbẹ, ṣiṣe awọn irinṣẹ orisun-ìmọ fun kikọ ẹrọ ati awọn awoṣe ede nla. Syeed jẹ opin-si-opin bi o ti n pese ojutu ile-iṣẹ ni bayi fun itọkasi awoṣe agbara GPU pupọ. Mo ṣeduro rẹ gaan fun awọn eniyan ti o jẹ tuntun si iširo awọsanma. 

Oju famọra wa pẹlu awọn irinṣẹ ati awọn iṣẹ ti o le ṣe iranlọwọ fun ọ lati kọ, ṣe ikẹkọ, tunne, ṣe iṣiro, ati mu awọn awoṣe ikẹkọ ẹrọ ṣiṣẹ ni lilo eto iṣọkan kan. O tun gba ọ laaye lati fipamọ ati awọn awoṣe ẹya ati awọn iwe data fun ọfẹ. O le tọju rẹ ni ikọkọ tabi pin pẹlu gbogbo eniyan ki o ṣe alabapin si idagbasoke orisun-ìmọ. 

Face famọra tun pese awọn solusan fun kikọ ati imuṣiṣẹ awọn ohun elo wẹẹbu ati awọn demos ẹkọ ẹrọ. Eyi ni ọna ti o dara julọ lati ṣe afihan si awọn miiran bi awọn awoṣe rẹ ṣe jẹ lasan. 

3. Iguazio MLOps Platform

Iguazio MLOps Platform ni ojutu gbogbo-ni-ọkan fun igbesi aye MLOps rẹ. O le kọ opo gigun ti ẹrọ adaṣe adaṣe ni kikun fun gbigba data, ikẹkọ, ipasẹ, imuṣiṣẹ, ati ibojuwo. O rọrun ni inherently, nitorinaa o le dojukọ lori kikọ ati ikẹkọ awọn awoṣe iyalẹnu dipo aibalẹ nipa awọn imuṣiṣẹ ati awọn iṣẹ. 

Iguazio gba ọ laaye lati ingest data lati gbogbo iru awọn orisun data, wa pẹlu ile itaja ẹya ara ẹrọ ti a ṣepọ, ati pe o ni dasibodu kan fun iṣakoso ati abojuto awọn awoṣe ati iṣelọpọ akoko gidi. Pẹlupẹlu, o ṣe atilẹyin titọpa adaṣe, ikede data, CI/CD, ibojuwo iṣẹ ṣiṣe awoṣe tẹsiwaju, ati fiseete awoṣe ilọkuro awoṣe.

4. DagsHub

DagsHub ni ayanfẹ mi Syeed. Mo lo lati kọ ati ṣafihan awọn iṣẹ akanṣe portfolio mi. O jẹ iru si GitHub ṣugbọn fun awọn onimọ-jinlẹ data ati awọn onimọ-ẹrọ ikẹkọ ẹrọ. 

DagsHub n pese awọn irinṣẹ fun koodu ati ikede data, ipasẹ idanwo, iforukọsilẹ ipo, iṣọpọ igbagbogbo ati imuṣiṣẹ (CI/CD) fun ikẹkọ awoṣe ati imuṣiṣẹ, iṣẹ awoṣe, ati diẹ sii. O jẹ pẹpẹ ti o ṣii, afipamo pe ẹnikẹni le kọ, ṣe alabapin, ati kọ ẹkọ lati awọn iṣẹ akanṣe naa. 

Awọn ẹya ti o dara julọ ti DagsHub ni:

• Itọkasi data aifọwọyi.
• Awoṣe sìn.
• iworan opo gigun ti epo ML.
• Iyatọ ati asọye lori awọn iwe ajako Jupyter, koodu, awọn iwe data, ati awọn aworan.

Ohun kan ṣoṣo ti o ko ni ni apẹẹrẹ iṣiro iyasọtọ fun itọkasi awoṣe. 

5. Awọn òṣuwọn & Ibajẹ

Awọn iwuwo & Awọn ojuṣaaju bẹrẹ bi iru ẹrọ ipasẹ esiperimenta ṣugbọn wa si ipilẹ ẹrọ ikẹkọ ipari-si-opin. O n pese iwoye idanwo, iṣapeye hyperparameter, iforukọsilẹ awoṣe, adaṣe adaṣe, iṣakoso ṣiṣan iṣẹ, ibojuwo, ati idagbasoke ohun elo ML ko si koodu. Pẹlupẹlu, o tun wa pẹlu awọn solusan LLMOps, gẹgẹbi ṣawari ati ṣiṣatunṣe awọn ohun elo LLM ati awọn igbelewọn ohun elo GenAI. 

Awọn òṣuwọn & Awọn aitọ wa pẹlu awọsanma ati alejo gbigba ikọkọ. O le gbalejo olupin rẹ ni agbegbe tabi lo iṣakoso lati ye. O jẹ ọfẹ fun lilo ti ara ẹni, ṣugbọn o ni lati sanwo fun ẹgbẹ ati awọn solusan ile-iṣẹ. O tun le lo ile-ikawe ipilẹ orisun ṣiṣi lati ṣiṣẹ lori ẹrọ agbegbe rẹ ati gbadun asiri ati iṣakoso. 

6. Modelbit

Modelbit jẹ ipilẹ tuntun ṣugbọn ifihan MLOps ni kikun. O pese ọna ti o rọrun lati ṣe ikẹkọ, ranṣiṣẹ, ṣe atẹle, ati ṣakoso awọn awoṣe. O le mu awoṣe ikẹkọ ṣiṣẹ nipa lilo koodu Python tabi pipaṣẹ `git push`. 

A ṣe Modelbit fun awọn ololufẹ Jupyter Notebook mejeeji ati awọn ẹlẹrọ sọfitiwia. Yato si ikẹkọ ati imuṣiṣẹ, Modelbit gba wa laaye lati ṣiṣe awọn awoṣe lori iṣiro iṣiro adaṣe ni lilo iṣẹ awọsanma ti o fẹ tabi awọn amayederun iyasọtọ wọn. O jẹ pẹpẹ MLOps otitọ ti o jẹ ki o wọle, ṣe abojuto, ati itaniji nipa awoṣe ni iṣelọpọ. Pẹlupẹlu, o wa pẹlu iforukọsilẹ awoṣe, atunṣe adaṣe, idanwo awoṣe, CI/CD, ati ikede ṣiṣiṣẹ. 

7. TrueFoundry

TrueFoundry jẹ ọna ti o yara julọ ati iye owo ti o munadoko julọ ti kikọ ati gbigbe awọn ohun elo ikẹkọ ẹrọ. O le fi sori ẹrọ lori eyikeyi awọsanma ati lo ni agbegbe. TrueFoundry tun wa pẹlu ọpọ iṣakoso awọsanma, autoscaling, ibojuwo awoṣe, iṣakoso ẹya, ati CI/CD. 

Kọ awoṣe ni ayika Jupyter Notebook, tọpinpin awọn adanwo, ṣafipamọ awoṣe ati metadata nipa lilo iforukọsilẹ awoṣe, ki o ran lọ pẹlu titẹ kan. 

TrueFoundry tun pese atilẹyin fun LLMs, nibi ti o ti le ni rọọrun ṣatunṣe awọn LLM orisun-ìmọ ki o si fi wọn ranṣẹ nipa lilo awọn amayederun iṣapeye. Pẹlupẹlu, o wa pẹlu iṣọpọ pẹlu awọn irinṣẹ ikẹkọ awoṣe orisun ṣiṣi, iṣẹ awoṣe ati awọn iru ẹrọ ibi ipamọ, iṣakoso ẹya, iforukọsilẹ docker, ati diẹ sii. 

ik ero

Gbogbo awọn iru ẹrọ ti Mo mẹnuba tẹlẹ jẹ awọn solusan ile-iṣẹ. Diẹ ninu awọn nfunni ni aṣayan ọfẹ ti o lopin, ati diẹ ninu awọn ni paati orisun-ìmọ ti a so mọ wọn. Sibẹsibẹ, nikẹhin, iwọ yoo ni lati lọ si iṣẹ iṣakoso lati gbadun pẹpẹ ti o ni ifihan ni kikun. 

Ti ifiweranṣẹ bulọọgi yii ba di olokiki, Emi yoo ṣafihan ọ si ọfẹ, awọn irinṣẹ MLOps orisun-ìmọ ti o pese iṣakoso nla lori data ati awọn orisun rẹ.
 
 

Abid Ali Awan (@1abidaliawan) jẹ alamọdaju onimọ-jinlẹ data ti o ni ifọwọsi ti o nifẹ kikọ awọn awoṣe ikẹkọ ẹrọ. Lọwọlọwọ, o ni idojukọ lori ẹda akoonu ati kikọ awọn bulọọgi imọ-ẹrọ lori ẹkọ ẹrọ ati awọn imọ-ẹrọ imọ-jinlẹ data. Abid ni oye oye oye ni iṣakoso imọ-ẹrọ ati oye oye oye ni imọ-ẹrọ ibaraẹnisọrọ. Iranran rẹ ni lati kọ ọja AI kan nipa lilo nẹtiwọọki nkankikan ayaworan fun awọn ọmọ ile-iwe ti o tiraka pẹlu aisan ọpọlọ.

• SEO Agbara akoonu & PR Pinpin. Gba Imudara Loni.
• PlatoData.Network inaro Generative Ai. Fi agbara fun ara Rẹ. Wọle si Nibi.
• PlatoAiStream. Web3 oye. Imo Amugbadun. Wọle si Nibi.
• PlatoESG. Erogba, CleanTech, Agbara, Ayika, Oorun, Isakoso Egbin. Wọle si Nibi.
• PlatoHealth. Imọ-ẹrọ Imọ-ẹrọ ati Awọn Idanwo Ile-iwosan. Wọle si Nibi.
• Orisun: https://www.kdnuggets.com/7-end-to-end-mlops-platforms-you-must-try-in-2024?utm_source=rss&utm_medium=rss&utm_campaign=7-end-to-end-mlops-platforms-you-must-try-in-2024