អ្វីទៅជា Software Framework សម្រាប់ AI?

អ្វីទៅជា Software Framework សម្រាប់ AI?

ក្របខ័ណ្ឌដ៏រឹងមាំមួយប្រែក្លាយភាពវឹកវរនោះទៅជាលំហូរការងារដែលអាចប្រើបាន។ នៅក្នុងការណែនាំនេះ យើងនឹងស្រាយ កញ្ចប់កម្មវិធីមួយសម្រាប់ AI ហេតុអ្វីបានជាវាសំខាន់ និងរបៀបជ្រើសរើសមួយដោយមិនស្មានខ្លួនឯងជាលើកទីពីររៀងរាល់ប្រាំនាទីម្តង។ ចាប់យកកាហ្វេមួយ; រក្សាផ្ទាំងបើក។ ☕️

អត្ថបទដែលអ្នកប្រហែលជាចង់អានបន្ទាប់ពីអត្ថបទនេះ៖

🔗 តើអ្វីជា machine learning vs AI
ស្វែងយល់ពីភាពខុសគ្នាសំខាន់ៗរវាងប្រព័ន្ធរៀនម៉ាស៊ីន និងបញ្ញាសិប្បនិម្មិត។

🔗 អ្វីដែលអាចពន្យល់បាន AI
ស្វែងយល់ពីរបៀបដែល AI ដែលអាចពន្យល់បានធ្វើឱ្យគំរូស្មុគស្មាញមានតម្លាភាព និងអាចយល់បាន។

🔗 តើមនុស្សយន្ត AI ជាអ្វី?
រុករកបច្ចេកវិទ្យា AI ដែលផ្តល់ថាមពលដល់មនុស្សយន្តដូចមនុស្ស និងអាកប្បកិរិយាអន្តរកម្ម។

🔗 តើអ្វីទៅជាបណ្តាញសរសៃប្រសាទនៅក្នុង AI
ស្វែងយល់ពីរបៀបដែលបណ្តាញសរសៃប្រសាទធ្វើត្រាប់តាមខួរក្បាលមនុស្សដើម្បីដំណើរការព័ត៌មាន។

អ្វីទៅជា Software Framework សម្រាប់ AI? ចម្លើយខ្លី 🧩

ក្របខ័ណ្ឌ កម្មវិធីសម្រាប់ AI គឺជាបណ្តុំរចនាសម្ព័ន្ធនៃបណ្ណាល័យ សមាសធាតុម៉ោងដំណើរការ ឧបករណ៍ និងអនុសញ្ញាដែលជួយអ្នកក្នុងការបង្កើត បណ្តុះបណ្តាល វាយតម្លៃ និងដាក់ឱ្យប្រើប្រាស់ការរៀនម៉ាស៊ីន ឬគំរូសិក្សាស៊ីជម្រៅកាន់តែលឿន និងអាចទុកចិត្តបាន។ វាមានច្រើនជាងបណ្ណាល័យតែមួយ។ សូម​គិត​ថា​វា​ជា​រន្ទា​ដែល​មាន​គំនិត​ដែល​ផ្ដល់​ឱ្យ​អ្នក៖

  • អរូបីស្នូលសម្រាប់តង់ស៊ីតេ ស្រទាប់ ការប៉ាន់ប្រមាណ ឬបំពង់

  • ភាពខុសគ្នាដោយស្វ័យប្រវត្តិ និងខឺណែលគណិតវិទ្យាដែលបានធ្វើឱ្យប្រសើរ

  • បំពង់បញ្ចូលទិន្នន័យ និងឧបករណ៍ប្រើប្រាស់ដែលដំណើរការមុន។

  • រង្វិលជុំហ្វឹកហាត់ រង្វាស់ និងការត្រួតពិនិត្យ

  • អន្តរកម្មជាមួយឧបករណ៍បង្កើនល្បឿនដូចជា GPU និងផ្នែករឹងពិសេស

  • ការវេចខ្ចប់ ការបម្រើ និងពេលខ្លះការតាមដានការពិសោធន៍

ប្រសិនបើបណ្ណាល័យជាប្រអប់ឧបករណ៍ ក្របខ័ណ្ឌគឺជាសិក្ខាសាលាដែលមានភ្លើងបំភ្លឺ កៅអីអង្គុយ និងអ្នកបង្កើតស្លាក អ្នកនឹងធ្វើពុតថាអ្នកមិនត្រូវការ... រហូតដល់អ្នកធ្វើ។ 🔧

អ្នក​នឹង​ឃើញ​ខ្ញុំ​និយាយ​ឡើង​វិញ​នូវ​ឃ្លា​ច្បាស់​លាស់ ​ថា​អ្វី​ជា​ក្របខ័ណ្ឌ​កម្មវិធី​សម្រាប់ AI ពីរបី​ដង។ នោះជាចេតនា ពីព្រោះវាជាសំណួរដែលមនុស្សភាគច្រើនវាយបញ្ចូលនៅពេលដែលពួកគេបាត់បង់នៅក្នុងផ្ទាំងគំនូរឧបករណ៍។

 

ក្របខ័ណ្ឌកម្មវិធី AI

តើ​អ្វី​ដែល​ធ្វើ​ឱ្យ​ក្របខ័ណ្ឌ​កម្មវិធី​ល្អ​សម្រាប់ AI? ✅

នេះជាបញ្ជីខ្លីដែលខ្ញុំចង់បាន ប្រសិនបើខ្ញុំចាប់ផ្តើមពីដំបូង៖

  • ergonomics ផលិតភាព - APIs ស្អាត, លំនាំដើមល្អ, សារកំហុសមានប្រយោជន៍

  • ការអនុវត្ត - ខឺណែលលឿន ភាពជាក់លាក់ចម្រុះ ការចងក្រងក្រាហ្វ ឬ JIT ដែលវាជួយ

  • ជម្រៅនៃប្រព័ន្ធអេកូ - មជ្ឈមណ្ឌលគំរូ ការបង្រៀន ទម្ងន់ដែលបានបណ្តុះបណ្តាល ការរួមបញ្ចូល

  • ភាពចល័ត - ផ្លូវនាំចេញដូចជា ONNX ទូរស័ព្ទចល័ត ឬគែមរត់ ភាពរួសរាយរាក់ទាក់របស់កុងតឺន័រ

  • ភាពអាចសង្កេតបាន - រង្វាស់, ការកត់ត្រា, ទម្រង់, ការតាមដានការពិសោធន៍

  • ការធ្វើមាត្រដ្ឋាន - ពហុ GPU ការបណ្តុះបណ្តាលចែកចាយ ការបម្រើយឺត

  • អភិបាលកិច្ច - លក្ខណៈពិសេសសុវត្ថិភាព កំណែទម្រង់ ត្រកូល និងឯកសារដែលមិនធ្វើឱ្យអ្នកមើលងាយ

  • សហគមន៍ និងភាពជាប់បានយូរ - អ្នកថែទាំសកម្ម ការទទួលយកពិភពពិត ផែនទីបង្ហាញផ្លូវដែលអាចទុកចិត្តបាន។

នៅពេលដែលបំណែកទាំងនោះចុច អ្នកសរសេរកូដកាវតិច ហើយធ្វើ AI ជាក់ស្តែងបន្ថែមទៀត។ ដែលជាចំណុច។ 🙂

ប្រភេទនៃក្របខ័ណ្ឌដែលអ្នកនឹងបុកចូល🗺️

មិនមែនគ្រប់ក្របខណ្ឌទាំងអស់ព្យាយាមធ្វើអ្វីគ្រប់យ៉ាងនោះទេ។ គិតតាមប្រភេទ៖

  • ក្របខ័ណ្ឌសិក្សាជ្រៅ ៖ tensor ops, autodiff, neural nets

    • PyTorch, TensorFlow, JAX

  • ក្របខ័ណ្ឌ ML បុរាណ ៖ បំពង់បង្ហូរ ការបំប្លែងលក្ខណៈពិសេស ការប៉ាន់ប្រមាណ

    • scikit-learn, XGBoost

  • មជ្ឈមណ្ឌលគំរូ & ជង់ NLP ៖ គំរូដែលបានបណ្តុះបណ្តាលជាមុន សញ្ញាសម្ងាត់ ការកែតម្រូវ

    • អ្នកប្រែរូបមុខឱប

  • ការ​បម្រើ និង​ពេល​វេលា​ដំណើរការ​សន្និដ្ឋាន ៖ ការ​ដាក់​ពង្រាយ​ឱ្យ​បាន​ប្រសើរ

    • ONNX Runtime, NVIDIA Triton Inference Server, Ray Serve

  • MLOps និងវដ្តជីវិត ៖ ការតាមដាន ការវេចខ្ចប់ បំពង់បង្ហូរប្រេង CI សម្រាប់ ML

    • MLflow, Kubeflow, Apache Airflow, Prefect, DVC

  • គែម និងទូរសព្ទ ៖ ស្នាមជើងតូច ងាយស្រួលប្រើផ្នែករឹង

    • TensorFlow Lite, ស្នូល ML

  • ហានិភ័យ និងក្របខណ្ឌអភិបាលកិច្ច ៖ ដំណើរការ និងការគ្រប់គ្រង មិនមែនកូដ

    • ក្របខ័ណ្ឌគ្រប់គ្រងហានិភ័យ NIST AI

គ្មានជង់តែមួយសមនឹងក្រុមនីមួយៗទេ។ នោះមិនអីទេ។

តារាងប្រៀបធៀប៖ ជម្រើសពេញនិយមមួយភ្លែត📊

រួម​បញ្ចូល​ការ​លេង​សើច​តូចៗ​ព្រោះ​ជីវិត​ពិត​រញ៉េរញ៉ៃ។ តម្លៃប្រែប្រួល ប៉ុន្តែបំណែកស្នូលជាច្រើនគឺជាប្រភពបើកចំហ។

ឧបករណ៍ / ជង់ ល្អបំផុតសម្រាប់ តម្លៃ ហេតុអ្វីបានជាវាដំណើរការ
PyTorch អ្នកស្រាវជ្រាវ Pytonic devs ប្រភពបើកចំហ ក្រាហ្វថាមវន្តមានអារម្មណ៍ធម្មជាតិ; សហគមន៍ដ៏ធំ។ 🙂
TensorFlow + Keras ផលិតកម្មតាមមាត្រដ្ឋាន, ឆ្លងវេទិកា ប្រភពបើកចំហ របៀបក្រាហ្វ ការបម្រើ TF, TF Lite, ឧបករណ៍រឹង។
ជេអ៊ិច អ្នកប្រើប្រាស់ថាមពល មុខងារផ្លាស់ប្តូរ ប្រភពបើកចំហ ការចងក្រង XLA, សំឡេងគណិតវិទ្យាដំបូងស្អាត។
រៀន​ដោយ​ប្រើ​ភាសា​ស្គីគីត ML បុរាណ, ទិន្នន័យតារាង ប្រភពបើកចំហ បំពង់ រង្វាស់ ប៉ាន់ប្រមាណ API គ្រាន់តែចុច។
XGBoost ទិន្នន័យដែលមានរចនាសម្ព័ន្ធ ការឈ្នះជាមូលដ្ឋាន ប្រភពបើកចំហ ការជំរុញជាទៀងទាត់ដែលតែងតែឈ្នះ។
អ្នកប្រែរូបមុខឱប NLP, ចក្ខុវិស័យ, ការសាយភាយជាមួយនឹងការចូលប្រើមជ្ឈមណ្ឌល ភាគច្រើនបើក ម៉ូដែលដែលបានបណ្តុះបណ្តាល + សញ្ញាសម្ងាត់ + ឯកសារ អីយ៉ា។
រយៈពេលដំណើរការ ONNX ការចល័ត, ក្របខ័ណ្ឌចម្រុះ ប្រភពបើកចំហ នាំចេញម្តង ដំណើរការលឿននៅលើផ្នែកខាងក្រោយជាច្រើន។ [4]
MLflow ការតាមដានការពិសោធន៍ ការវេចខ្ចប់ ប្រភពបើកចំហ ភាពអាចផលិតឡើងវិញបាន, បញ្ជីឈ្មោះគំរូ, APIs សាមញ្ញ។
រ៉េ + រ៉េ បម្រើ ការបណ្តុះបណ្តាលចែកចាយ + ការបម្រើ ប្រភពបើកចំហ Scales Python workloads; បម្រើការបំប្លែងមីក្រូ។
NVIDIA Triton ការសន្និដ្ឋានកម្រិតខ្ពស់ ប្រភពបើកចំហ ពហុក្របខ័ណ្ឌ ការប្រមូលផ្តុំថាមវន្ត GPUs ។
Kubeflow បំពង់ Kubernetes ML ប្រភពបើកចំហ ពីចុងដល់ចប់នៅលើ K8s ពេលខ្លះច្របូកច្របល់ ប៉ុន្តែខ្លាំង។
លំហូរខ្យល់ឬអាណាខេត្ត វង់តន្រ្តីជុំវិញការបណ្តុះបណ្តាលរបស់អ្នក។ ប្រភពបើកចំហ ការកំណត់កាលវិភាគ ព្យាយាមឡើងវិញ ភាពមើលឃើញ។ ដំណើរការមិនអីទេ។

ប្រសិនបើអ្នកចង់បានចម្លើយមួយជួរ៖ PyTorch សម្រាប់ការស្រាវជ្រាវ, TensorFlow សម្រាប់ការផលិតរយៈពេលវែង, scikit-learn សម្រាប់តារាង, ONNX Runtime សម្រាប់ចល័ត, MLflow សម្រាប់ការតាមដាន។ ខ្ញុំនឹងតាមដានពេលក្រោយ បើចាំបាច់។

នៅក្រោមក្រណាត់៖ របៀបដែលក្របខ័ណ្ឌដំណើរការគណិតវិទ្យារបស់អ្នក ⚙️

ក្របខណ្ឌសិក្សាស៊ីជម្រៅភាគច្រើនលេងសើចរឿងធំៗបី៖

  1. Tensors - អារេពហុវិមាត្រជាមួយនឹងការដាក់ឧបករណ៍និងច្បាប់នៃការផ្សាយ។

  2. Autodiff - ភាពខុសគ្នានៃរបៀបបញ្ច្រាសដើម្បីគណនាជម្រាល។

  3. យុទ្ធសាស្ត្រប្រតិបត្តិ - របៀបអន្ទះសារទល់នឹងរបៀបក្រាហ្វទល់នឹងការចងក្រង JIT ។

  • PyTorch កំណត់លំនាំដើមចំពោះការប្រតិបត្តិដោយអន្ទះសារ ហើយអាចចងក្រងក្រាហ្វជាមួយ torch.compile ដើម្បីផ្សំ ops និងបង្កើនល្បឿនជាមួយនឹងការផ្លាស់ប្តូរកូដតិចតួចបំផុត។ [1]

  • TensorFlow ដំណើរការយ៉ាងអន្ទះសារតាមលំនាំដើម ហើយប្រើ tf.function ដើម្បីដាក់ Python ទៅជាក្រាហ្វលំហូរទិន្នន័យចល័ត ដែលត្រូវបានទាមទារសម្រាប់ការនាំចេញ SavedModel ហើយជារឿយៗធ្វើអោយដំណើរការប្រសើរឡើង។ [2]

  • JAX ទំនោរទៅជាការបំប្លែងដែលអាចផ្សំបានដូចជា jit , grad , vmap និង pmap ដោយចងក្រងតាមរយៈ XLA សម្រាប់ការបង្កើនល្បឿន និងស្រប។ [3]

នេះគឺជាកន្លែងដែលការអនុវត្តរស់នៅ៖ ខឺណែល ការលាយបញ្ចូលគ្នា ប្លង់អង្គចងចាំ ភាពជាក់លាក់ចម្រុះ។ មិនមែនជាវេទមន្ត - គ្រាន់តែជាវិស្វកម្មដែលមើលទៅវេទមន្ត។ ✨

ការហ្វឹកហាត់ទល់នឹងការសន្និដ្ឋាន៖ កីឡាពីរផ្សេងគ្នា🏃‍♀️🏁

  • ការបណ្តុះបណ្តាល សង្កត់ធ្ងន់លើដំណើរការ និងស្ថេរភាព។ អ្នកចង់បានការប្រើប្រាស់ល្អ ការធ្វើមាត្រដ្ឋានជម្រាល និងយុទ្ធសាស្រ្តចែកចាយ។

  • ការ​សន្និដ្ឋាន ​ដេញ​តាម​ភាព​យឺតយ៉ាវ ការ​ចំណាយ និង​ការ​ស្រប​គ្នា។ អ្នកចង់បាន batching, quantization, និងពេលខ្លះ operator fusion។

អន្តរប្រតិបត្តិការមានសារៈសំខាន់នៅទីនេះ៖

  • ONNX ដើរតួជាទម្រង់ផ្លាស់ប្តូរគំរូទូទៅ។ ONNX Runtime ដំណើរការម៉ូដែលពីក្របខណ្ឌប្រភពជាច្រើននៅទូទាំង CPU, GPUs និងឧបករណ៍បង្កើនល្បឿនផ្សេងទៀតជាមួយនឹងការចងភាសាសម្រាប់ជង់ផលិតកម្មធម្មតា។ [4]

ការធ្វើបរិមាណ ការកាត់ចេញ និងការចម្រាញ់ ជាញឹកញាប់ផ្តល់នូវការឈ្នះដ៏ធំ។ ពេលខ្លះធំគួរឱ្យអស់សំណើច - ដែលមានអារម្មណ៍ថាដូចជាការបោកប្រាស់ទោះបីជាវាមិនមែនជា។ 😉

ភូមិ MLOps៖ ហួសពីក្របខណ្ឌស្នូល 🏗️

សូម្បីតែក្រាហ្វគណនាដ៏ល្អបំផុតក៏នឹងមិនជួយសង្គ្រោះវដ្តជីវិតដ៏រញ៉េរញ៉ៃដែរ។ នៅទីបំផុតអ្នកនឹងចង់បាន៖

  • ការសាកល្បងតាមដាន និងចុះបញ្ជី ៖ ចាប់ផ្តើមជាមួយ MLflow ដើម្បីកត់ត្រាប៉ារ៉ាម៉ែត្រ រង្វាស់ និងវត្ថុបុរាណ។ ផ្សព្វផ្សាយតាមរយៈបញ្ជីឈ្មោះ

  • ការរៀបចំបំពង់ និងលំហូរការងារ ៖ Kubeflow នៅលើ Kubernetes ឬអ្នកទូទៅដូចជា Airflow និង Prefect

  • កំណែ​ទិន្នន័យ ៖ DVC រក្សា​ទិន្នន័យ និង​ម៉ូដែល​កំណែ​ជាមួយ​នឹង​កូដ

  • កុងតឺន័រ និងការដាក់ឱ្យប្រើប្រាស់ ៖ រូបភាព Docker និង Kubernetes សម្រាប់បរិស្ថានដែលអាចព្យាករណ៍បាន និងអាចធ្វើមាត្រដ្ឋានបាន

  • មជ្ឈមណ្ឌលគំរូ ៖ pretrain-then-fine-tune វាយ greenfield ញឹកញាប់ជាងមិន

  • ការត្រួតពិនិត្យ ៖ ភាពយឺតយ៉ាវ ការរសាត់ និងការត្រួតពិនិត្យគុណភាព នៅពេលដែលម៉ូដែលឈានដល់ការផលិត

អត្ថបទសង្ខេបខ្លីៗ៖ ក្រុមពាណិជ្ជកម្មអេឡិចត្រូនិកតូចមួយចង់បាន "ការពិសោធន៍មួយបន្ថែមទៀត" ជារៀងរាល់ថ្ងៃ បន្ទាប់មកមិនអាចចាំថាដំណើរការមួយណាបានប្រើមុខងារណាមួយនោះទេ។ ពួកគេបានបន្ថែម MLflow និងច្បាប់ "ផ្សព្វផ្សាយតែពីបញ្ជីឈ្មោះ" សាមញ្ញ។ រំពេចនោះ ការពិនិត្យឡើងវិញប្រចាំសប្តាហ៍គឺអំពីការសម្រេចចិត្ត មិនមែនបុរាណវត្ថុវិទ្យាទេ។ លំនាំបង្ហាញនៅគ្រប់ទីកន្លែង។

អន្តរប្រតិបត្តិការ & ភាពចល័ត៖ រក្សាជម្រើសរបស់អ្នកបើក🔁

ការចាក់សោរចូលដោយស្ងប់ស្ងាត់។ ជៀសវាងវាដោយធ្វើផែនការសម្រាប់៖

  • ផ្លូវនាំចេញ ៖ ONNX, SavedModel, TorchScript

  • ភាពបត់បែនពេលរត់ ៖ ONNX Runtime, TF Lite, Core ML សម្រាប់ទូរសព្ទ ឬគែម

  • Containerization ៖ បំពង់សាងសង់ដែលអាចព្យាករណ៍បានជាមួយនឹងរូបភាព Docker

  • ការបម្រើអព្យាក្រឹតភាព ៖ ការបង្ហោះ PyTorch, TensorFlow និង ONNX នៅក្បែរគ្នាធ្វើឱ្យអ្នកមានភាពស្មោះត្រង់

ការផ្លាស់ប្តូរស្រទាប់បម្រើ ឬការចងក្រងគំរូសម្រាប់ឧបករណ៍តូចជាង គួរតែជាការរំខាន មិនមែនជាការសរសេរឡើងវិញនោះទេ។

ការបង្កើនល្បឿន និងមាត្រដ្ឋានផ្នែករឹង៖ ធ្វើឱ្យវាលឿនដោយមិនស្រក់ទឹកភ្នែក ⚡️

  • GPUs គ្រប់គ្រងបន្ទុកការងារបណ្តុះបណ្តាលទូទៅ អរគុណចំពោះខឺណែលដែលបានកែលម្អខ្ពស់ (គិត cuDNN) ។

  • ការបណ្តុះបណ្តាលដែលបានចែកចាយ បង្ហាញនៅពេលដែល GPU តែមួយមិនអាចបន្តបាន៖ ភាពស្របគ្នានៃទិន្នន័យ ភាពស្របគ្នានៃគំរូ ឧបករណ៍បង្កើនប្រសិទ្ធភាពដែលបានបំបែក។

  • ភាពជាក់លាក់ចម្រុះ ជួយសន្សំសំចៃការចងចាំ និងពេលវេលាជាមួយនឹងការបាត់បង់ភាពត្រឹមត្រូវតិចតួចបំផុតនៅពេលប្រើត្រឹមត្រូវ។

ពេលខ្លះកូដលឿនបំផុតគឺជាលេខកូដដែលអ្នកមិនបានសរសេរ៖ ប្រើគំរូដែលបានបណ្តុះបណ្តាល និងសម្រួល។ ធ្ងន់ធ្ងរ។ 🧠

អភិបាលកិច្ច សុវត្ថិភាព និងហានិភ័យ៖ មិនមែនគ្រាន់តែជាឯកសារទេ 🛡️

ការដឹកជញ្ជូន AI នៅក្នុងអង្គការពិតមានន័យថាគិតអំពី:

  • ពូជពង្ស ៖ ទិន្នន័យបានមកពីណា របៀបដែលវាត្រូវបានដំណើរការ និងកំណែគំរូណាមួយកំពុងផ្សាយបន្តផ្ទាល់

  • ភាពអាចផលិតឡើងវិញបាន ៖ ការបង្កើតដោយកំណត់ ភាពអាស្រ័យដែលបានខ្ទាស់ ហាងលក់វត្ថុបុរាណ

  • តម្លាភាព និងឯកសារ ៖ កាតគំរូ និងរបាយការណ៍ទិន្នន័យ

  • ការគ្រប់គ្រងហានិភ័យ ក្របខ័ណ្ឌគ្រប់គ្រងហានិភ័យ NIST ផ្តល់នូវផែនទីបង្ហាញផ្លូវជាក់ស្តែងសម្រាប់ការគូសផែនទី ការវាស់វែង និងគ្រប់គ្រងប្រព័ន្ធ AI ដែលអាចជឿទុកចិត្តបាននៅទូទាំងវដ្តជីវិត។ [5]

ទាំងនេះមិនមែនជាជម្រើសនៅក្នុងដែនដែលបានគ្រប់គ្រងទេ។ សូម្បីតែនៅខាងក្រៅពួកគេ ពួកគេការពារការដាច់ភ្លើង និងការប្រជុំដ៏ឆ្គង។

របៀបជ្រើសរើស៖ បញ្ជីត្រួតពិនិត្យការសម្រេចចិត្តរហ័ស🧭

ប្រសិនបើអ្នកនៅតែសម្លឹងមើលផ្ទាំងចំនួនប្រាំ សូមសាកល្បងវា៖

  1. ភាសាចម្បង និងប្រវត្តិក្រុម

    • ក្រុមស្រាវជ្រាវដំបូង Python៖ ចាប់ផ្តើមជាមួយ PyTorch ឬ JAX

    • ការស្រាវជ្រាវ និងផលិតកម្មចម្រុះ៖ TensorFlow ជាមួយ Keras គឺជាការភ្នាល់ប្រកបដោយសុវត្ថិភាព

    • ការវិភាគបែបបុរាណ ឬការផ្តោតជាតារាង៖ scikit-learn បូក XGBoost

  2. គោលដៅដាក់ពង្រាយ

    • ការសន្និដ្ឋានលើពពកតាមមាត្រដ្ឋាន៖ ONNX Runtime ឬ Triton ត្រូវបានផ្ទុក

    • ទូរសព្ទចល័ត ឬបង្កប់៖ TF Lite ឬ Core ML

  3. តម្រូវការមាត្រដ្ឋាន

    • GPU តែមួយ ឬស្ថានីយការងារ៖ ក្របខ័ណ្ឌ DL សំខាន់ៗណាមួយដំណើរការ

    • ការបណ្តុះបណ្តាលដែលបានចែកចាយ៖ ផ្ទៀងផ្ទាត់យុទ្ធសាស្ត្រដែលភ្ជាប់មកជាមួយ ឬប្រើ Ray Train

  4. ភាពចាស់ទុំរបស់ MLOps

    • ថ្ងៃដំបូង៖ MLflow សម្រាប់ការតាមដាន រូបភាព Docker សម្រាប់ការវេចខ្ចប់

    • ក្រុមដែលកំពុងរីកចម្រើន៖ បន្ថែម Kubeflow ឬ Airflow/Prefect សម្រាប់បំពង់បង្ហូរ

  5. តម្រូវការចល័ត

    • ផែនការសម្រាប់ការនាំចេញ ONNX និងស្រទាប់បម្រើអព្យាក្រឹត

  6. ឥរិយាបថហានិភ័យ

    • តម្រឹម​ជាមួយ​ការណែនាំ NIST ខ្សែ​បន្ទាត់​ឯកសារ ពង្រឹង​ការ​ពិនិត្យ [5]

ប្រសិនបើសំណួរនៅក្នុងក្បាលរបស់អ្នកនៅតែ ជាអ្វីដែលជាក្របខ័ណ្ឌកម្មវិធីសម្រាប់ AI នោះវាគឺជាជម្រើសដែលធ្វើឱ្យបញ្ជីត្រួតពិនិត្យទាំងនោះគួរឱ្យធុញទ្រាន់។ ធុញគឺល្អ។

gotchas ទូទៅ & ទេវកថាស្រាល 😬

  • ទេវកថា៖ ក្របខ័ណ្ឌមួយគ្រប់គ្រងពួកគេទាំងអស់។ ការពិត៖ អ្នកនឹងលាយបញ្ចូលគ្នា។ នោះជាសុខភាព។

  • ទេវកថា៖ ល្បឿនហ្វឹកហាត់គឺជាអ្វីគ្រប់យ៉ាង។ តម្លៃនៃការសន្និដ្ឋាន និងភាពជឿជាក់ច្រើនតែសំខាន់ជាង។

  • Gotcha: ភ្លេចបំពង់បង្ហូរទិន្នន័យ។ ការបញ្ចូលមិនល្អលិចម៉ូដែលល្អ។ ប្រើឧបករណ៍ផ្ទុកត្រឹមត្រូវ និងសុពលភាព។

  • Gotcha៖ រំលងការតាមដានការពិសោធន៍។ អ្នកនឹងភ្លេចថាការរត់មួយណាល្អបំផុត។ នាពេលអនាគត - អ្នកនឹងរំខាន។

  • ទេវកថា៖ ការចល័តគឺដោយស្វ័យប្រវត្តិ។ ពេលខ្លះការនាំចេញនឹងខូចនៅលើជម្រើសផ្ទាល់ខ្លួន។ សាកល្បងមុន។

  • Gotcha: MLOps ហួសវិស្វកម្មលឿនពេក។ រក្សាវាឱ្យសាមញ្ញ បន្ទាប់មកបន្ថែមការធ្វើចលនានៅពេលដែលការឈឺចាប់លេចឡើង។

  • ពាក្យ​ប្រៀបធៀប​ដែល​មាន​កំហុស​បន្តិច​បន្តួច ៖ គិត​ពី​ក្របខណ្ឌ​របស់​អ្នក​ដូចជា​មួក​កង់​សម្រាប់​ម៉ូដែល​របស់​អ្នក។ មិនទាន់សម័យ? ប្រហែល។ ប៉ុន្តែអ្នកនឹងនឹកវានៅពេលដែលចិញ្ចើមផ្លូវនិយាយថាជំរាបសួរ។

Mini FAQ អំពី Framework ❓

សំណួរ៖ តើក្របខ័ណ្ឌខុសពីបណ្ណាល័យ ឬវេទិកាទេ?

  • បណ្ណាល័យ ៖ មុខងារជាក់លាក់ ឬម៉ូដែលដែលអ្នកហៅ។

  • ក្របខណ្ឌ ៖ កំណត់រចនាសម្ព័ន្ធ និងវដ្តជីវិត ដោតចូលបណ្ណាល័យ។

  • វេទិកា ៖ បរិយាកាសកាន់តែទូលំទូលាយជាមួយអ៊ីនហ្វ្រា UX ការចេញវិក្កយបត្រ និងសេវាកម្មគ្រប់គ្រង។

សំណួរ៖ តើខ្ញុំអាចបង្កើត AI ដោយគ្មានក្របខ័ណ្ឌបានទេ?

តាមបច្ចេកទេសបាទ។ ជាក់ស្តែង វាដូចជាការសរសេរកម្មវិធីចងក្រងផ្ទាល់ខ្លួនរបស់អ្នកសម្រាប់ការបង្ហោះប្លុក។ អ្នកអាច ប៉ុន្តែហេតុអ្វី។

សំណួរ៖ តើខ្ញុំត្រូវការទាំងការបណ្តុះបណ្តាល និងការបម្រើក្របខ័ណ្ឌដែរឬទេ?

ជាញឹកញាប់បាទ។ រថភ្លើងនៅក្នុង PyTorch ឬ TensorFlow នាំចេញទៅ ONNX បម្រើជាមួយ Triton ឬ ONNX Runtime ។ ថ្នេរមានគោលបំណង។ [4]

សំណួរ៖ តើការអនុវត្តល្អបំផុតដែលមានសិទ្ធិអំណាចរស់នៅឯណា?

AI RMF របស់ NIST សម្រាប់ការអនុវត្តហានិភ័យ; ឯកសារអ្នកលក់សម្រាប់ស្ថាបត្យកម្ម; មគ្គុទ្ទេសក៍ ML របស់អ្នកផ្តល់សេវាពពកគឺជាការត្រួតពិនិត្យឆ្លងកាត់ដ៏មានប្រយោជន៍។ [5]

សង្ខេបខ្លីៗនៃពាក្យគន្លឹះដើម្បីភាពច្បាស់លាស់ 📌

ជារឿយៗមនុស្សស្វែងរក អ្វីដែលជាក្របខ័ណ្ឌកម្មវិធីសម្រាប់ AI ដោយសារតែពួកគេកំពុងព្យាយាមភ្ជាប់ចំណុចរវាងកូដស្រាវជ្រាវ និងអ្វីមួយដែលអាចប្រើប្រាស់បាន។ ដូច្នេះ តើ​អ្វី​ទៅ​ជា​ក្របខ័ណ្ឌ​កម្មវិធី​សម្រាប់ AI ក្នុង​ការ​អនុវត្ត? វាជាបណ្តុំនៃការគណនា ការអរូបី និងអនុសញ្ញាដែលអនុញ្ញាតឱ្យអ្នកបណ្តុះបណ្តាល វាយតម្លៃ និងដាក់ឱ្យប្រើប្រាស់គំរូជាមួយនឹងការភ្ញាក់ផ្អើលតិចជាងមុន ខណៈពេលដែលកំពុងលេងយ៉ាងល្អជាមួយនឹងបំពង់បង្ហូរទិន្នន័យ ផ្នែករឹង និងអភិបាលកិច្ច។ នៅទីនោះបាននិយាយថាវាបីដង។ 😅

ចំណាំចុងក្រោយ - យូរពេកមិនបានអានវា🧠➡️🚀

  • ក្របខណ្ឌ កម្មវិធីសម្រាប់ AI ផ្តល់ឱ្យអ្នកនូវរន្ទាដែលមានគំនិតដូចជា៖ tensors, autodiff, ការបណ្តុះបណ្តាល, ការដាក់ពង្រាយ និងឧបករណ៍។

  • ជ្រើសរើសតាមភាសា គោលដៅដាក់ពង្រាយ មាត្រដ្ឋាន និងជម្រៅនៃប្រព័ន្ធអេកូឡូស៊ី។

  • រំពឹងថានឹងបញ្ចូលគ្នានូវជង់៖ PyTorch ឬ TensorFlow ដើម្បីហ្វឹកហាត់ ONNX Runtime ឬ Triton ដើម្បីបម្រើ MLflow ដើម្បីតាមដាន លំហូរខ្យល់ ឬ Prefect ដើម្បីរៀបចំ។ [1][2][4]

  • ដុតនំនៅក្នុងការចល័ត ការសង្កេត និងការអនុវត្តហានិភ័យឱ្យបានឆាប់។ [5]

  • បាទ/ចាស ទទួលយកផ្នែកដែលគួរឱ្យធុញ។ អផ្សុកមានស្ថេរភាព ហើយកប៉ាល់មានស្ថេរភាព។

ក្របខ័ណ្ឌល្អមិនលុបបំបាត់ភាពស្មុគស្មាញទេ។ ពួកវាច្របូកច្របល់វា ដូច្នេះក្រុមរបស់អ្នកអាចផ្លាស់ទីបានលឿនជាងមុនជាមួយនឹងពេលវេលា oops តិច។ 🚢

ឯកសារយោង

[1] PyTorch - ការណែនាំអំពី torch.compile (ឯកសារផ្លូវការ)៖ អានបន្ថែម

[2] TensorFlow - ដំណើរការកាន់តែប្រសើរជាមួយ tf.function (ការណែនាំផ្លូវការ): អានបន្ថែម

[3] JAX - Quickstart: របៀបគិតក្នុង JAX (ឯកសារផ្លូវការ): អានបន្ថែម

[4] ONNX Runtime - ONNX Runtime for Inferencing (ឯកសារផ្លូវការ)៖ អានបន្ថែម

[5] NIST - AI Risk Management Framework (AI RMF 1.0) : អានបន្ថែម

ស្វែងរក AI ចុងក្រោយបំផុតនៅហាងជំនួយការ AI ផ្លូវការ

អំពីយើង

ត្រឡប់ទៅប្លុកវិញ