Lernstrahl

Kapitel 10. Erste Schritte mit der Ray AI Runtime

Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: [e-mail]

Seit du in Kapitel 1 über Ray AIR gelesen hast, haben wir einen weiten Weg zurückgelegt. Neben den Grundlagen von Ray Clusters undhast du in den vorangegangenen Kapiteln ein gutes Verständnis aller übergeordneten Bibliotheken von Ray erlangt, die in KI-Workloads eingesetzt werden können, nämlich Ray RLlib, Tune, Train, Datasets und Serve. Der Hauptgrund, warum wir eine tiefere Diskussion über Ray AIR bis jetzt aufgeschoben haben, ist, dass es viel einfacher ist, über die Konzepte nachzudenken und komplexe Beispiele zu berechnen, wenn du die Bausteine kennst.

In diesem Kapitel stellen wir dir die Kernkonzepte von Ray AIR vor und zeigen dir, wie du damit gängige Workflows erstellen und einsetzen kannst. Wir bauen eine AIR-Anwendung, die viele der dir bereits bekannten Data-Science-Bibliotheken von Ray nutzt. Außerdem erklären wir dir, wann und warum du AIR einsetzen solltest, und geben dir einen kurzen Überblick über die technischen Grundlagen. Eine ausführliche Diskussion über die Beziehung von AIR zu anderen Systemen, wie z. B. Integrationen und wichtige Unterschiede, wird in Kapitel 11 behandelt, wenn wir über das Ökosystem von Ray in Bezug auf AIR sprechen.

Warum AIR verwenden?

Die Ausführung von ML-Workloads mit Ray hat sich in den letzten Jahren ständig weiterentwickelt.Ray RLlib und Tune waren ...