BentoML Reseñas y Detalles del Producto

Realmente me gusta cómo el marco de bentoml está diseñado para manejar el tráfico entrante, realmente me gusta su característica de trabajadores, ya que como desarrollador de IA ejecutar modelos de PLN en escalable es crucial. Bentoml me ayuda a construir fácilmente un servicio que puede aceptar múltiples solicitudes con la ayuda de trabajadores. También me gusta su característica de construcción de bento y dockerización. En el método tradicional para dockerizar, creamos un servicio de flask, django o gradio y luego escribimos un dockerfile, inicializamos un soporte de nvidia en docker, todo esto es trabajo de un ingeniero de devops, pero bentoml viene al rescate aquí. Solo escribes un bentofile.yaml donde especificas tu servicio, versión de cuda, bibliotecas a instalar, paquetes del sistema a instalar y simplemente bentoml build y luego bentoml containerize, boom, bentoml simplemente lo containerizó para ti, escribió un dockerfile por ti y te ahorró el tiempo de escribir el dockerfile y construirlo. Realmente me gusta esto de bentoml. También tiene un buen soporte al cliente, tiene un entorno de slack donde los desarrolladores de bentoml están profundamente involucrados en la resolución de los problemas que enfrentan los usuarios de bentoml. Reseña recopilada por y alojada en G2.com.

Lo único sobre bentoml es que no tiene soporte para aws sagemaker. Recientemente estaba implementando mis modelos en aws sagemaker, pero bentoml no tenía métodos para dockerizar para aws sagemaker. Bueno, tenía una biblioteca llamada bentoctl, pero estaba obsoleta. Reseña recopilada por y alojada en G2.com.

Simplicidad en una palabra.

El servicio de modelos de ML es una bestia compleja, y Bento es la única herramienta que lo hace una experiencia remotamente simple. La capacidad de crear un microservicio basado en Docker bastante eficiente para tu modelo en unas 15 líneas de código me ha salvado en muchas situaciones difíciles.

Las habilidades de guardado y versionado de modelos de Bento también son beneficiosas para rastrear problemas tanto con el despliegue del modelo como con la eficacia del modelo en el entorno real. Ayuda a revertir rápidamente y automáticamente las versiones de un modelo. Combinado con el panel de control de Yatai Bento para monitoreo y el marco de despliegue de Kubernetes, estas capacidades hacen que muchas tareas de MLOps sean indoloras.

Finalmente, una palabra sobre las extensas integraciones que BentoML tiene con el ecosistema más amplio de Ciencia de Datos en Python. Esto permite que Bento se adjunte de manera incremental y no intrusiva a un conjunto de herramientas de ciencia de datos. Reseña recopilada por y alojada en G2.com.

Escribir configuraciones para Bento puede volverse innecesariamente complicado y complejo. Se siente como una parte del proceso que podría automatizarse en la biblioteca en lugar de completarse manualmente.

Desplegar un modelo personalizado en Bento es bastante difícil. No es imposible, pero tampoco es fácil, ya que implica construir cargadores personalizados y luego todas sus funciones de preprocesamiento.

Desplegar Yatai para una construcción de producción es nuevamente una tarea desagradable. Reseña recopilada por y alojada en G2.com.