Avaliações e Detalhes do Produto BentoML

Eu realmente gosto de como o framework do bentoml é construído para lidar com o tráfego de entrada, eu realmente gosto de sua funcionalidade de trabalhadores, como um desenvolvedor de IA executando modelos de PLN em escala é crucial, bentoml me ajuda a construir facilmente um serviço que pode aceitar múltiplas solicitações com a ajuda de trabalhadores, eu também gosto de sua funcionalidade de construção de bento e dockerização, no método tradicional para dockerizar criamos um serviço flask ou django ou gradio... e então escrevemos um dockerfile, inicializamos um suporte nvidia no docker, tudo isso é trabalho de um engenheiro de devops, mas bentoml vem para resgatar aqui, basta escrever um bentofile.yaml onde você especifica a versão cuda do serviço, bibliotecas para instalar, pacotes de sistema para instalar e apenas bentoml build e então bentoml containerize, boom bentoml apenas containerizou para você, ele escreveu um dockerfile para você e economizou o tempo de escrever o dockerfile e construí-lo, eu realmente gosto disso sobre o bentoml, ele também tem um bom suporte ao cliente, tem um ambiente no slack onde os desenvolvedores do bentoml estão profundamente engajados na resolução dos problemas dos usuários do bentoml que eles estão enfrentando. Análise coletada por e hospedada no G2.com.

A única coisa sobre o bentoml é que ele não tem suporte para o aws sagemaker. Recentemente, eu estava implantando meus modelos no aws sagemaker, mas o bentoml não tinha métodos de dockerização para o aws sagemaker. Bem, ele tinha uma biblioteca chamada bentoctl, mas estava obsoleta. Análise coletada por e hospedada no G2.com.

Uma palavra simplicidade.

O serviço de modelo de ML é uma fera complexa, e o Bento é a única ferramenta que torna isso uma experiência remotamente simples. A capacidade de criar um microserviço baseado em Docker com desempenho razoável para o seu modelo em cerca de 15 linhas de código me salvou em muitas situações difíceis.

As habilidades de salvamento e versionamento de modelos do Bento também são benéficas para rastrear problemas tanto com a implantação do modelo quanto com a eficácia do modelo em campo. Ajuda a reverter rapidamente e automaticamente as versões de um modelo. Combinado com o painel do Yatai Bento para monitoramento e estrutura de implantação do Kubernetes, essas capacidades tornam muitas tarefas de MLOps indolores.

Finalmente, uma palavra sobre as extensas integrações que o BentoML tem com o ecossistema mais amplo de Ciência de Dados em Python. Isso permite que o Bento seja anexado incrementalmente e de forma não intrusiva a um kit de ferramentas de ciência de dados. Análise coletada por e hospedada no G2.com.

Escrever configurações para o Bento pode se tornar desnecessariamente complicado e complexo. Parece uma parte do processo que poderia ser automatizada na biblioteca em vez de preenchida manualmente.

Implantar um modelo personalizado no Bento é bastante difícil. Não é impossível, mas está longe de ser fácil, envolvendo a construção de carregadores personalizados e todas as suas funções de pré-processamento.

Implantar o Yatai para uma construção de produção é novamente uma tarefa desagradável. Análise coletada por e hospedada no G2.com.