Canonical, un leader de l’Open Source et éditeur d’Ubuntu, annonce la disponibilité générale de Charmed Kubeflow 1.7. Charmed Kubeflow est une plateforme MLOps open-source de bout en bout qui peut fonctionner sur n'importe quel cloud, y compris les scénarios de cloud hybride ou multi-cloud. Cette dernière version offre la possibilité d'exécuter des charges de travail d'apprentissage automatique sans serveur et d'effectuer le service de modèle, quel que soit le framework utilisé par les professionnels. Cette capacité augmente la productivité des développeurs en réduisant les tâches de routine, ce qui aide les organisations à réduire leurs coûts opérationnels.
Dans un récent rapport MLOps de Deloitte AI Institute, 74 % des personnes interrogées ont indiqué qu'elles prévoyaient d'intégrer l'intelligence artificielle (IA) dans toutes les applications de l'entreprise d'ici trois ans. Pour y parvenir, les entreprises doivent trouver des moyens de mettre à l'échelle leurs projets d'IA de manière reproductible, portable et fiable. Charmed Kubeflow 1.7 apporte de nouvelles capacités pour l'IA d'entreprise, telles que l'introduction de KNative dans le bundle Kubeflow, permettant aux organisations d'exécuter des charges de travail d'apprentissage automatique sans serveur. Elle permet aussi l'ajout de KServe aidant les utilisateurs à effectuer du model serving, quel que soit le framework. Elle dispose de nouveaux cadres pour le service de modèles, tels que NVIDIA Triton. Charmed Kubeflow 1.7 s'accompagne de nouveaux tableaux de bord pour une expérience utilisateur améliorée et une surveillance plus facile de l'infrastructure.
La plateforme supporte PaddlePaddle, une plateforme industrielle dotée d'un ensemble de fonctionnalités qui aident les scientifiques à développer des modèles d'apprentissage profond. L'apprentissage en profondeur gagne en popularité et PaddlePaddle compte plus de 1,9 million d'utilisateurs. Avec l'introduction de PaddlePaddle, Charmed Kubeflow élargit sa bibliothèque de frameworks open-source et donne aux professionnels la flexibilité de choisir ce qui leur convient le mieux.
Les data scientists passent beaucoup de temps à optimiser leurs modèles et doivent se tenir au courant des dernières avancées en matière d'IA, de frameworks et de bibliothèques. Katib résout ce problème en simplifiant l'accès aux logs et le réglage des hyperparamètres. Le composant Katib de Charmed Kubeflow dispose d'une nouvelle interface utilisateur qui réduit le nombre de commandes de bas niveau nécessaires pour trouver les corrélations appropriées entre les logs. Katib inclut de nouvelles fonctionnalités telles que l'API Tune, qui rend les expériences de tuning faciles à construire et simplifie la façon dont les utilisateurs accèdent aux métriques d'essai à partir de la base de données Katib. Grâce à ces améliorations de Katib, les data scientists peuvent obtenir de meilleures mesures de performance, réduire le temps consacré à l'optimisation et expérimenter rapidement. Il en résulte une livraison plus rapide des projets, des cycles de vie plus courts pour l'apprentissage automatique et un chemin plus fluide vers une prise de décision optimisée avec les projets d'IA.
Charmed Kubeflow 1.7 prend également en charge l'analyse statistique de données structurées et non structurées, en donnant accès à des packages tels que R Shiny ou à des bibliothèques telles que Plotly.
Dans un récent rapport MLOps de Deloitte AI Institute, 74 % des personnes interrogées ont indiqué qu'elles prévoyaient d'intégrer l'intelligence artificielle (IA) dans toutes les applications de l'entreprise d'ici trois ans. Pour y parvenir, les entreprises doivent trouver des moyens de mettre à l'échelle leurs projets d'IA de manière reproductible, portable et fiable. Charmed Kubeflow 1.7 apporte de nouvelles capacités pour l'IA d'entreprise, telles que l'introduction de KNative dans le bundle Kubeflow, permettant aux organisations d'exécuter des charges de travail d'apprentissage automatique sans serveur. Elle permet aussi l'ajout de KServe aidant les utilisateurs à effectuer du model serving, quel que soit le framework. Elle dispose de nouveaux cadres pour le service de modèles, tels que NVIDIA Triton. Charmed Kubeflow 1.7 s'accompagne de nouveaux tableaux de bord pour une expérience utilisateur améliorée et une surveillance plus facile de l'infrastructure.
La plateforme supporte PaddlePaddle, une plateforme industrielle dotée d'un ensemble de fonctionnalités qui aident les scientifiques à développer des modèles d'apprentissage profond. L'apprentissage en profondeur gagne en popularité et PaddlePaddle compte plus de 1,9 million d'utilisateurs. Avec l'introduction de PaddlePaddle, Charmed Kubeflow élargit sa bibliothèque de frameworks open-source et donne aux professionnels la flexibilité de choisir ce qui leur convient le mieux.
Les data scientists passent beaucoup de temps à optimiser leurs modèles et doivent se tenir au courant des dernières avancées en matière d'IA, de frameworks et de bibliothèques. Katib résout ce problème en simplifiant l'accès aux logs et le réglage des hyperparamètres. Le composant Katib de Charmed Kubeflow dispose d'une nouvelle interface utilisateur qui réduit le nombre de commandes de bas niveau nécessaires pour trouver les corrélations appropriées entre les logs. Katib inclut de nouvelles fonctionnalités telles que l'API Tune, qui rend les expériences de tuning faciles à construire et simplifie la façon dont les utilisateurs accèdent aux métriques d'essai à partir de la base de données Katib. Grâce à ces améliorations de Katib, les data scientists peuvent obtenir de meilleures mesures de performance, réduire le temps consacré à l'optimisation et expérimenter rapidement. Il en résulte une livraison plus rapide des projets, des cycles de vie plus courts pour l'apprentissage automatique et un chemin plus fluide vers une prise de décision optimisée avec les projets d'IA.
Charmed Kubeflow 1.7 prend également en charge l'analyse statistique de données structurées et non structurées, en donnant accès à des packages tels que R Shiny ou à des bibliothèques telles que Plotly.
