Rayon d'apprentissage

Préface

Cet ouvrage a été traduit à l'aide de l'IA. Tes réactions et tes commentaires sont les bienvenus : [e-mail]

L'informatique distribuée est un sujet fascinant. En se remémorant les premiers jours de l'informatique, on ne peut s'empêcher d'être impressionné par le fait que tant d'entreprises répartissent aujourd'hui leurs charges de travail sur des grappes d'ordinateurs. Il est impressionnant que nous ayons trouvé des moyens efficaces de le faire, mais la mise à l'échelle devient également de plus en plus une nécessité. Les ordinateurs individuels deviennent de plus en plus rapides, et pourtant notre besoin d'informatique à grande échelle continue de dépasser ce que les machines individuelles peuvent faire.

Conscient que la mise à l'échelle est à la fois une nécessité et un défi, Ray vise à rendre l'informatique distribuée simple pour les développeurs. Il rend l'informatique distribuée accessible aux non-experts et permet de mettre à l'échelle tes scripts Python sur plusieurs nœuds assez facilement. Ray permet de mettre à l'échelle les charges de travail lourdes en données et en calcul, telles que le prétraitement des données et la formation des modèles - et il cible explicitement les charges de travail d'apprentissage automatique (ML) ayant besoin d'être mises à l'échelle. Bien qu'il soit possible aujourd'hui de mettre à l'échelle ces deux types de charges de travail sans Ray, tu devrais probablement utiliser des API et des systèmes distribués différents ...