Oracle GraphPipe : Ανοιχτού κώδικα για την υποστήριξη ανάπτυξης Machine Learning

Η Oracle ανακοίνωσε πριν από μερικές εβδομάδες ¹ το ανοιχτού κώδικα GraphPipe για την ενίσχυση των εφαρμογών μηχανικής εκμάθησης (machine learning) ². Ο στόχος του έργου είναι η βελτίωση του deployment για τα μοντέλα μηχανικής εκμάθησης και την δημιουργία ενός ανοικτού προτύπου για αυτές τις διαδικασίες.

Όλοι όσοι ασχολούμαστε με το ελεύθερο ή και ανοιχτού κώδικα λογισμικό, γνωρίζουμε πολύ καλά ότι η Oracle σπάνια ήταν φιλική με την έννοια του «κοινοτικού λογισμικού» ασχέτως αν στο παρελθόν έχει κάνει κάποιες κινήσεις όπως η δωρεά της Java EE στο ίδρυμα Eclipse και του Open Office στο Apache Foundation. H επιστολή της Oracle προς ρωσικές εταιρείες, η το ότι δεν έκανε δωρεά το Open Office στο LibreOffice Foundation δημιουργούν μια αντιφατική εικόνα για αυτές τις σπασμωδικές κινήσεις αλτρουισμού.

Σε μία τέτοια κίνηση καλής θέλησης, η Oracle, βλέποντας το πεδίο της τεχνητής νοημοσύνης να κερδίζει συνεχώς έδαφος, από τους ανταγωνιστές της , κυκλοφόρησε στο github ³ των κώδικα του GraphPipe. Παρόλα αυτά, η εταιρεία έχει μια αμφισβητήσιμη σχέση με προγραμματιστές ανοιχτού κώδικα, οπότε η απόφασή της για το άνοιγμα του κώδικα του GraphPipe ενδέχεται να μην λάβει το προσδοκώμενο ενδιαφέρον.

Τι είναι το GraphPipe

Το GraphPipe είναι μια προσπάθεια τυποποίησης των διαδικασιών στα στρώματα μεταφοράς της μηχανικής εκμάθησης και των εφαρμογών του τελικού χρήστη. Με άλλα λόγια το GraphPipe είναι ένα πρωτόκολλο δικτύου που απλοποιεί και τυποποιεί τη μετάδοση δεδομένων μηχανικής εκμάθησης μεταξύ απομακρυσμένων διαδικασιών.

Χωρίς συνεκτικό πρωτόκολλο επικοινωνίας με τους διαφορετικούς διακομιστές μοντέλων, είναι συχνά απαραίτητο να δημιουργηθούν προσαρμοσμένα clients για κάθε φόρτο εργασίας. Το GraphPipe να λύσει τα προβλήματα αυτά με την τυποποίηση ενώς αποτελεσματικού πρωτοκόλλου επικοινωνίας και την παροχή απλών μοντέλων εξυπηρετητών για τα μεγάλα frameworks. Έτσι, αποτελούμενο από ένα σύνολο βιβλιοθηκών και εργαλείων και με τους διακομιστές που θα τρέχουν το GraphPipe, θα μπορούν να παραδώσουν μοντέλα δημιουργημένα σε TensorFlow, PyTorch, mxnet, CNTK ή caffe2.

Xαρακτηριστικά του GraphPipe:

• Μινιμαλιστικό πρότυπο μεταφοράς μηχανικής εκμάθησης βασισμένη σε flatbuffers
• Servers μοντέλων αναφοράς για Tensorflow, Caffe2 και ONNX
• Διαθέσιμες υλοποιήσεις εφαρμογών σε Go, Python και Java.

H Oracle ελπίζει προγραμματιστές θα συσπειρωθούν πίσω από το έργο για την απλούστευση και την τυποποίηση της ανάπτυξης των μοντέλων μηχανικής εκμάθησης.

Παραπομπές: