Ray

Ray rend plus simple l’exécution de code Python sur beaucoup de machines. Un développeur ajoute de simples décorateurs pour transformer des fonctions en tâches distribuées, et Ray les planifie sur un cluster. Au-dessus de ce cœur se trouvent des bibliothèques de traitement de données, d’entraînement, de réglage et de serving de modèles.

Il est très utilisé en machine learning : de gros jobs d’entraînement, de l’inférence par lots et de l’apprentissage par renforcement s’appuient dessus, et de grands labos et entreprises d’IA construisent avec. Anyscale, l’entreprise fondée par ses créateurs, propose une plateforme managée.

Ray est gratuit et open source. Faire tourner des clusters demande de l’expertise, et déboguer des jobs distribués est plus dur que du code local. Parmi les alternatives : Dask, Apache Spark, Modal, Kubeflow et Flyte. Ray convient aux équipes qui mettent à l’échelle des charges Python et IA.