Canonical lance Data Science Stack, une solution complète pour la science des données

Canonical lance Data Science Stack, une solution complète pour la science des données
Canonical lance Data Science Stack, une solution complète pour la science des données

Canonical, leader de l’open Source et éditeur d’Ubuntu, a annoncé aujourd’hui Data Science Stack (DSS), une solution innovante qui simplifie et accélère la création et la gestion d’environnements de science des données. DSS permet aux entreprises, aux chercheurs et aux développeurs de mettre en place efficacement des environnements de données avec des outils spécialement conçus pour répondre aux besoins spécifiques de l’apprentissage automatique, de l’intelligence artificielle (IA) et de la science des données.

Entièrement open Source, gratuit et natif d’Ubuntu, il est également disponible sur d’autres distributions Linux, sur Windows avec Windows Subsystem Linux (WSL) et sur macOS avec Multipass. Par défaut, DSS inclut l’accès à Jupyter Notebook pour le développement de modèles, à MLflow pour le suivi des expériences et le registre des modèles, et à des frameworks ML tels que Pytorch et Tensorflow. Cependant, les utilisateurs peuvent personnaliser Data Science Stack et ajouter de nouvelles bibliothèques en fonction de leur cas d’utilisation.

DSS peut être configuré avec seulement trois commandes, ce qui permet une exploration initiale rapide sur les postes de travail d’IA. Il suffit de configurer la couche d’orchestration des conteneurs, d’installer la CLI DSS et d’initialiser la pile de science des données pour accéder à l’environnement. Cette opération peut être effectuée en 10 à 30 minutes, selon le niveau d’expérience du technicien. DSS fournit également des chemins de migration, les aidant à faire évoluer leurs initiatives d’IA à mesure que les projets mûrissent.

Pour bénéficier d’un accès anticipé aux améliorations de performances et aux fonctionnalités telles que la prise en charge du GPU Intel avant leur arrivée en amont, vous pouvez accéder à ITEX et IPEX, les distributions Intel de PyTorch et Tensorflow. IPEX et ITEX améliorent les performances d’optimisation en fonction du matériel, en exploitant les extensions vectorielles avancées (AVX), les instructions de réseau neuronal vectoriel (VNNI) et les extensions de matrice avancées (AMX). En intégrant ces extensions, en plus de l’accélération GPU, DSS obtient une accélération pour les opérations courantes dans les cas d’utilisation de l’IA, réduisant ainsi le temps de formation des modèles et accélérant la phase d’expérimentation des projets ML.

Canonical fournit une maintenance de sécurité pour tous les packages inclus dans la solution, permettant de corriger rapidement les vulnérabilités et de protéger à la fois le logiciel et les artefacts créés. L’offre comprend également une gestion simplifiée des dépendances et des versions logicielles, réduisant ainsi les défis techniques auxquels sont souvent confrontés les data scientists lors du déploiement de modèles d’IA et de machine learning. Canonical a mis l’accent sur l’optimisation des infrastructures cloud pour la Data Science Stack. Grâce à l’intégration avec Kubernetes et au support natif d’Ubuntu, il devient plus facile de déployer et de faire évoluer les environnements hybrides ou multi-cloud, en bénéficiant d’une infrastructure robuste et sécurisée.

« Cela élimine le fardeau de la gestion des dépendances des packages ou de la configuration des ressources de calcul, avec des commandes simples que les praticiens de l’IA peuvent exécuter », a déclaré Chris Schnabel, responsable de l’écosystème Silicon Alliance chez Canonical. « Par défaut, DSS inclut l’accès à Jupyter Notebook pour le développement de modèles, à MLflow pour le suivi des expériences et le registre des modèles, et à des frameworks ML comme Pytorch et Tensorflow. Cependant, les utilisateurs peuvent personnaliser Data Science Stack et ajouter de nouvelles bibliothèques en fonction de leur cas d’utilisation. »

 
For Latest Updates Follow us on Google News
 

NEXT c’était proche de l’immobilité