Avis et détails du produit DagsHub

DagsHub facilite la gestion des pipelines de données complexes nécessaires à l'entraînement et à l'affinage des grands modèles de langage. Nous l'utilisons pour versionner les ensembles de données d'instruction, évaluer les variations de prompts et suivre les performances des modèles au fil du temps. Avoir une source unique de vérité pour les données, les expériences et les modèles a révolutionné la reproductibilité. Le flux de travail de type Git pour les données est intuitif et s'intègre parfaitement à nos outils existants. Avis collecté par et hébergé sur G2.com.

Rien de majeur. Cela fonctionne bien pour nos besoins. Quelques visualisations autour de l'évolution des ensembles de données pourraient accélérer le débogage, mais dans l'ensemble, c'est un produit solide. Avis collecté par et hébergé sur G2.com.

DagsHub nous permet de garder nos données d'entraînement LLM, nos expériences et nos modèles étroitement connectés. Nous versionnons tout, des ensembles de données bruts aux sorties de tokeniseur et aux points de contrôle des modèles. Cette configuration facilite le suivi des données utilisées, de leur traitement et des expériences qui ont conduit à quels résultats. C'est particulièrement utile lors des tests de réglage des invites ou de la comparaison de différentes variantes de modèles. Tout reste reproductible et facile à collaborer entre les équipes. Avis collecté par et hébergé sur G2.com.

Pas de problèmes majeurs jusqu'à présent. La plateforme gère très bien le contrôle de version et le lien entre les expériences. Un peu plus de personnalisation de l'interface utilisateur serait formidable, surtout pour les projets de grande envergure. Avis collecté par et hébergé sur G2.com.

DagsHub simplifie la gestion des versions de grands ensembles de données textuelles, le suivi des expériences de fine-tuning et la gestion des points de contrôle des modèles, le tout sur une seule plateforme. Dans tout flux de travail LLM, connecter une version spécifique de l'ensemble de données à une exécution de modèle est essentiel pour garantir la reproductibilité. DagsHub facilite également la gestion des métriques d'évaluation à travers diverses expériences de réglage de prompt et de fine-tuning, tout en maintenant une traçabilité claire des données. Avis collecté par et hébergé sur G2.com.

Rien de majeur — cela fonctionne très bien pour mes projets personnels de LLM. Bien qu'avoir encore plus de support intégré pour les ensembles de données de prompt serait un ajout agréable, je trouve que la plateforme est déjà excellente pour la version complète des ensembles de données et des modèles. Avis collecté par et hébergé sur G2.com.

DagsHub est un meilleur ami des Data Scientists et des Ingénieurs en Machine Learning puisqu'il fournit non seulement un dépôt de contrôle de version pour le code, mais aussi pour les artefacts de données, tels que les ensembles de données et les modèles. Les outils MLOps comme DVC et MLflow sont disponibles pour chaque dépôt et hébergés sur DagsHub dès le départ, ce qui rend leur utilisation extrêmement facile immédiatement ! C'est un tel avantage car, par exemple, MLflow suit les modèles de machine learning localement par défaut, donc vous devez configurer un serveur MLflow lorsque vous travaillez en équipe, ce qui n'est pas évident et DagsHub est un véritable gain de temps ici. Comme cerise sur le gâteau, DagsHub offre de nombreux Go de stockage gratuit pour vos artefacts de données et vous l'apprécierez certainement si vous souhaitez l'essayer pour votre projet. Dans l'ensemble, DagsHub est une plateforme MLOps incroyable avec beaucoup plus de fonctionnalités qui rendront votre vie tellement plus facile, telles que des outils d'annotation, l'intégration GitHub, les différences de notebooks Jupyter, etc. La documentation de DagsHub est tout simplement excellente, mais si vous avez besoin d'aide supplémentaire, l'équipe de DagsHub est super réactive sur leur canal Discord. Avis collecté par et hébergé sur G2.com.

Pas de plaintes, je souhaite seulement avoir découvert DagsHub plus tôt. 😄 Avis collecté par et hébergé sur G2.com.

DagsHub nous aide à organiser des données non structurées—images, texte, et plus—en ensembles de données bien gérés. Ce qui se distingue, c'est la façon dont il connecte étroitement nos données avec les exécutions d'expériences et les versions de modèles entraînés. Cela facilite la reproduction des résultats, la comparaison des performances des modèles, et le traçage des problèmes jusqu'aux changements de données spécifiques. C'est une plateforme solide pour les équipes qui se soucient de la reproductibilité, de la collaboration, et de la qualité des données dans les projets de ML. Avis collecté par et hébergé sur G2.com.

Rien de majeur à signaler—dans l'ensemble, l'expérience a été fluide. De petites améliorations de l'interface utilisateur pourraient rendre la navigation dans les projets à grande échelle encore meilleure. Avis collecté par et hébergé sur G2.com.

DagsHub est idéal pour gérer les données d'entraînement des grands modèles de langage (LLM). Nous l'utilisons pour versionner des corpus de texte sélectionnés, suivre les étapes de nettoyage des données et mener des expériences sur des modèles ajustés, le tout avec une reproductibilité totale. La capacité de connecter directement les ensembles de données aux exécutions d'expériences et aux sorties de modèles nous aide à rester organisés et à itérer rapidement. C'est également utile pour collaborer entre les équipes travaillant sur la préparation des données, l'ingénierie des invites et l'évaluation. Avis collecté par et hébergé sur G2.com.

Pas de problèmes majeurs. La plateforme gère bien les flux de travail LLM. Quelques fonctionnalités supplémentaires autour de la gestion des versions des invites seraient utiles, mais ce qui est déjà en place nous fait gagner énormément de temps. Avis collecté par et hébergé sur G2.com.

DagsHub me permet de gérer facilement des données non structurées dans le contexte de modèles complexes et de versionnage. Il me permet de sauvegarder un état fixe du code et des données pour chaque expérience et me fait gagner du temps en gérant divers outils. Je l'ai utilisé dans plusieurs projets jusqu'à présent, cela rend la gestion de projet beaucoup plus facile. me fait gagner du temps avec l'intégration des outils car l'offre interne est facile à mettre en œuvre. Avis collecté par et hébergé sur G2.com.

Pas de plaintes majeures, la plateforme a été fiable et intuitive jusqu'à présent. Avis collecté par et hébergé sur G2.com.

DagsHub offre une intégration transparente avec l'outil de contrôle de version des données de mon choix, à savoir DVC ; il peut être facilement utilisé comme dépôt distant pour stocker de grands fichiers de données et pour stocker des répertoires contenant une grande quantité de fichiers. J'apprécie également son intégration avec les sites d'hébergement de dépôts Git, non seulement GitHub, mais aussi d'autres services similaires, comme GitLab ou Bitbucket.

Le dépôt DagsHub permet de parcourir et d'analyser les fichiers de données, qu'ils soient versionnés avec Git ou avec DVC. La visualisation du pipeline de traitement des données inclut à la fois les étapes et les sorties / dépendances de données.

Je n'ai essayé que légèrement la partie suivi des expériences de DagsHub, mais j'aime ce que j'ai vu jusqu'à présent. DagsHub inclut le support pour les expériences DVC (`dvc exp`) et le suivi des expériences MLflow.

Je n'ai pas encore essayé le support de streaming de données, ni le montage du stockage DagsHub en tant que système de fichiers S3 - mais cela semble être une fonctionnalité intéressante. Avis collecté par et hébergé sur G2.com.

Je n'ai pas remarqué de problèmes majeurs jusqu'à présent. La plateforme est robuste et répond bien à nos besoins de suivi des données.

Je n'aime pas la limitation très stricte du plan gratuit (maximum de 2 personnes dans une équipe), mais je peux le comprendre. DagsHub propose une version complète pour le milieu académique, mais c'est sur demande et ce n'est pas automatisé (en utilisant par exemple la connexion Shibboleth, comme le fait GitLab). Avis collecté par et hébergé sur G2.com.

DagsHub me donne un contrôle total sur mes données et expériences d'apprentissage automatique. Je peux versionner des ensembles de données bruts, les prétraiter, suivre les expériences et gérer les sorties de modèles, le tout en un seul endroit. Cette intégration étroite signifie moins de temps à synchroniser les outils et plus de temps à améliorer mes modèles. C'est particulièrement utile pour les données non structurées comme les images et les documents, où la traçabilité et la collaboration sont difficiles à maintenir sans la bonne configuration. Avis collecté par et hébergé sur G2.com.

Rien de critique jusqu'à présent. La plateforme gère la plupart de mes flux de travail dès le départ. Ce serait formidable de voir plus d'intégrations avec des environnements de formation externes, mais les actuelles couvrent la plupart des cas d'utilisation. Avis collecté par et hébergé sur G2.com.

DagsHub fournit une plateforme prête à l'emploi pour gérer les données, le code et les expériences en un seul endroit. Avis collecté par et hébergé sur G2.com.

Je n'ai pas trouvé d'option facile pour étendre les capacités, par exemple, hériter d'une partie d'un modèle d'un projet différent. Avis collecté par et hébergé sur G2.com.