Recensioni e Dettagli del Prodotto DagsHub

DagsHub rende facile gestire i complessi flussi di dati necessari per l'addestramento e la messa a punto di grandi modelli linguistici. Lo usiamo per versionare i dataset di istruzioni, valutare le variazioni dei prompt e monitorare le prestazioni del modello nel tempo. Avere un'unica fonte di verità per dati, esperimenti e modelli è stato rivoluzionario per la riproducibilità. Il flusso di lavoro simile a Git per i dati è intuitivo e si integra perfettamente con i nostri strumenti esistenti. Recensione raccolta e ospitata su G2.com.

Niente di importante. Funziona bene per le nostre esigenze. Alcune visualizzazioni sull'evoluzione del dataset potrebbero rendere il debug più veloce, ma nel complesso è un prodotto solido. Recensione raccolta e ospitata su G2.com.

DagsHub ci permette di mantenere i nostri dati di addestramento LLM, esperimenti e modelli strettamente connessi. Versioniamo tutto, dai dataset grezzi agli output del tokenizer e ai checkpoint del modello. Questa configurazione rende semplice tracciare quali dati sono stati utilizzati, come sono stati elaborati e quali esperimenti hanno portato a quali risultati. È particolarmente utile quando si testa il tuning dei prompt o si confrontano diverse varianti di modelli. Tutto rimane riproducibile e facile da collaborare tra i team. Recensione raccolta e ospitata su G2.com.

Nessun problema importante finora. La piattaforma gestisce molto bene il controllo delle versioni e il collegamento degli esperimenti. Un po' più di personalizzazione dell'interfaccia utente sarebbe ottima, soprattutto per progetti più grandi. Recensione raccolta e ospitata su G2.com.

DagsHub semplifica la versioning di grandi dataset di testo, il tracciamento degli esperimenti di fine-tuning e la gestione dei checkpoint dei modelli, tutto all'interno di una singola piattaforma. In qualsiasi flusso di lavoro LLM, collegare una versione specifica del dataset a un'esecuzione del modello è essenziale per garantire la riproducibilità. DagsHub rende anche più facile gestire le metriche di valutazione attraverso vari esperimenti di prompt tuning e fine-tuning, mantenendo al contempo una chiara tracciabilità dei dati. Recensione raccolta e ospitata su G2.com.

Niente di importante — funziona molto bene per i miei progetti personali di LLM. Anche se avere ancora più supporto integrato per i dataset di prompt sarebbe un'aggiunta gradita, trovo che la piattaforma sia già ottima per il versionamento completo di dataset e modelli. Recensione raccolta e ospitata su G2.com.

DagsHub è un ottimo amico per Data Scientists e Machine Learning Engineers poiché fornisce non solo un repository di controllo versione per il codice ma anche per gli artefatti dei dati, come dataset e modelli. Strumenti MLOps come DVC e MLflow sono disponibili per ogni repository e ospitati su DagsHub di default, quindi è estremamente facile iniziare a usarli subito! Questo è un grande vantaggio perché, ad esempio, MLflow traccia i modelli di machine learning localmente per impostazione predefinita, quindi è necessario configurare un server MLflow quando si lavora in un team, il che non è ovvio e DagsHub è un vero risparmio di tempo qui. Come ciliegina sulla torta, DagsHub offre molti GB di spazio di archiviazione gratuito per i tuoi artefatti di dati e lo apprezzerai sicuramente se vuoi provarlo per il tuo progetto. In generale, DagsHub è una piattaforma MLOps straordinaria con molte altre funzionalità che renderanno la tua vita molto più facile, come strumenti di annotazione, integrazione con GitHub, differenze nei notebook Jupyter, ecc. La documentazione di DagsHub è semplicemente fantastica, ma se hai bisogno di ulteriore aiuto, il team di DagsHub è super reattivo sul loro canale Discord. Sentiti libero di controllare il mio progetto DagsHub dove descrivo in dettaglio come ho utilizzato le sue funzionalità per la mia pipeline di deployment del modello nel cloud https://dagshub.com/PavloFesenko/gif_analyzer Recensione raccolta e ospitata su G2.com.

Nessuna lamentela, vorrei solo aver scoperto DagsHub prima. 😄 Recensione raccolta e ospitata su G2.com.

DagsHub ci aiuta a organizzare dati non strutturati—immagini, testo e altro— in dataset ben gestiti. Ciò che spicca è quanto strettamente connette i nostri dati con le esecuzioni degli esperimenti e le versioni dei modelli addestrati. Questo rende facile riprodurre i risultati, confrontare le prestazioni dei modelli e rintracciare i problemi fino a specifici cambiamenti nei dati. È una piattaforma solida per i team che si preoccupano della riproducibilità, della collaborazione e della qualità dei dati nei progetti di ML. Recensione raccolta e ospitata su G2.com.

Niente di importante da segnalare—nel complesso, l'esperienza è stata fluida. Piccoli miglioramenti dell'interfaccia utente potrebbero rendere la navigazione nei progetti su larga scala ancora migliore. Recensione raccolta e ospitata su G2.com.

DagsHub è ideale per gestire i dati di addestramento di modelli di linguaggio di grandi dimensioni (LLM). Lo usiamo per versionare corpora di testo curati, tracciare i passaggi di pulizia dei dati e condurre esperimenti su modelli ottimizzati, tutto con piena riproducibilità. La capacità di collegare direttamente i set di dati agli esperimenti e ai risultati dei modelli ci aiuta a rimanere organizzati e a iterare rapidamente. È anche utile per collaborare tra team che lavorano sulla preparazione dei dati, l'ingegneria dei prompt e la valutazione. Recensione raccolta e ospitata su G2.com.

Nessun problema importante. La piattaforma gestisce bene i flussi di lavoro LLM. Alcune funzionalità aggiuntive per la gestione delle versioni dei prompt sarebbero utili, ma ciò che c'è già ci sta facendo risparmiare un sacco di tempo. Recensione raccolta e ospitata su G2.com.

DagsHub mi consente di gestire facilmente dati non strutturati nel contesto di modelli complessi e versionamento. Mi permette di salvare uno stato fisso di codice e dati per ogni esperimento e mi fa risparmiare tempo nel gestire vari strumenti. L'ho utilizzato in diversi progetti finora, rende la gestione dei progetti molto più semplice. Mi fa risparmiare tempo con l'integrazione degli strumenti perché l'offerta interna è facile da implementare. Recensione raccolta e ospitata su G2.com.

Nessuna lamentela importante, la piattaforma è stata affidabile e intuitiva finora. Recensione raccolta e ospitata su G2.com.

DagsHub fornisce un'integrazione senza soluzione di continuità con lo strumento di controllo delle versioni dei dati di mia scelta, ovvero DVC; può essere facilmente utilizzato come repository remoto per archiviare grandi file di dati e per archiviare directory con una grande quantità di file. Mi piace anche la sua integrazione con i siti di hosting di repository Git, non solo GitHub, ma anche altri servizi simili, come GitLab o Bitbucket.

Il repository DagsHub rende possibile sfogliare e analizzare i file di dati, indipendentemente dal fatto che siano versionati utilizzando Git o DVC. La visualizzazione della pipeline di elaborazione dei dati include sia le fasi che le uscite / dipendenze dei dati.

Ho provato solo leggermente la parte di tracciamento degli esperimenti di DagsHub, ma mi piace quello che ho visto finora. DagsHub include il supporto sia per gli esperimenti DVC (`dvc exp`) che per il tracciamento degli esperimenti MLflow.

Devo ancora provare il supporto per lo streaming dei dati o montare l'archiviazione DagsHub come filesystem S3 - ma sembra una funzionalità interessante. Recensione raccolta e ospitata su G2.com.

Non ho notato alcun problema importante finora. La piattaforma è robusta e soddisfa bene le nostre esigenze di tracciamento dei dati.

Non mi piace la limitazione molto rigida del piano gratuito (massimo di 2 persone in un team), ma posso capirlo. DagsHub offre la versione completa per il mondo accademico, ma è su richiesta e non è automatizzata (utilizzando ad esempio il login Shibboleth, come fa GitLab). Recensione raccolta e ospitata su G2.com.

DagsHub mi dà il pieno controllo sui miei dati e esperimenti di machine learning. Posso versionare i dataset grezzi, preprocessarli, tracciare gli esperimenti e gestire gli output dei modelli, tutto in un unico posto. Questa stretta integrazione significa meno tempo a sincronizzare strumenti e più tempo a migliorare i miei modelli. È particolarmente utile per dati non strutturati come immagini e documenti, dove la tracciabilità e la collaborazione sono difficili da mantenere senza la giusta configurazione. Recensione raccolta e ospitata su G2.com.

Niente di critico finora. La piattaforma gestisce la maggior parte dei miei flussi di lavoro senza problemi. Sarebbe fantastico vedere più integrazioni con ambienti di formazione esterni, ma quelle attuali coprono la maggior parte dei casi d'uso. Recensione raccolta e ospitata su G2.com.

DagsHub fornisce una piattaforma pronta all'uso per gestire dati, codice ed esperimenti in un unico posto Recensione raccolta e ospitata su G2.com.

Non ho trovato un'opzione semplice per estendere le capacità, ad esempio, ereditando parte di un modello da un progetto diverso. Recensione raccolta e ospitata su G2.com.