Vue d'ensemble

Ray 2.0, publié le 15 août 2022, introduit Ray AIR (AI Runtime) pour une API ML unifiée couvrant l'entraînement, le tuning et le serving.

Fonctionnalités principales

Ray AIR

Ray AIR unifie les bibliothèques Ray (Train, Tune, Serve, Data) sous une API cohérente pour simplifier les workflows ML de bout en bout.

python 
import ray
from ray import train
from ray.train.xgboost import XGBoostTrainer

ray.init()

trainer = XGBoostTrainer(
    label_column='target',
    params={'max_depth': 6, 'eta': 0.3},
    datasets={'train': train_dataset},
)
result = trainer.fit()
print(result.metrics)

API ML unifiée

Les Predictors et Checkpoints fournissent une interface commune pour le déploiement de modèles, quel que soit le framework d'entraînement utilisé.

python 
import ray
from ray import serve

@serve.deployment
class ModelServing:
    def __init__(self):
        self.model = None  # charger le modèle

    async def __call__(self, request):
        data = await request.json()
        return {'prediction': 42}

# serve.run(ModelServing.bind())

Sources