Ray - AIとPythonアプリケーションをスケールさせるための統合フレームワーク

• AIとPythonアプリケーションをスケールさせるための統合フレームワーク
• コア分散ランタイムとMLコンピューティングをシンプルにするためのAIライブラリ群で構成
• データセット、分散トレーニング、ハイパーパラメータチューニング、強化学習、サービングなどの機能を提供
• ダッシュボードを使ってアプリケーションとクラスターを監視・デバッグ可能
• あらゆるコンピューター、クラスター、クラウドプロバイダー、Kubernetes上で実行可能

Rayを使うべき理由

• 今日のMLワークロードは計算集約的
• ノートPCのような単一ノードの開発環境では、こうした要件を満たせない
• Rayは
  • PythonおよびAIアプリケーションをノートブックからクラスターへスケールさせる統合的な方法を提供
  • 同じコードをノートブックからクラスターへシームレスにスケール可能
  • 汎用的に設計されており、あらゆる種類のワークロードを効率的に実行可能
• アプリケーションがPythonで書かれている場合、他のインフラなしでRayによってスケール可能

GN⁺の意見

• Rayは、PythonベースのML/AIアプリケーションを容易に分散処理するための強力なツールに見える。特にMLパイプライン構築、大規模データ処理、分散学習などで有用と考えられる
• ただし、本番環境に適用するにはクラスター環境の構築と運用に関するノウハウが必要。そのためにはDevOpsエンジニアとの協業が重要
• SparkやDaskなど既存の分散処理フレームワークと比べた差別化ポイントが明確ではない。性能や使いやすさの面での利点を、より訴求する必要がありそう
• AIライブラリ群の成熟度はまだ高くなく、すぐに導入するにはリスクがある。ただし、継続的な開発とコミュニティの支援が続けば、今後有用なツールになることが期待される