Wenn neue Maschinenlernprozesse entwickelt werden, benötigen Wissenschaftler und Ingenieure nicht nur Zeit, den richtigen Algorithmus und die richtigen Daten auszuwählen, sondern auch für die Aufbereitung der Daten, das Modell zu evaluieren und die Rechenkapazitäten manuell zu managen. Dies beinhaltet, die Recheninfrastruktur aufzusetzen, ihren Code zu deployen, die nötigen Prozesse zu starten und die Zwischenergebnisse zu verwalten. Alle diese zusätzlichen Aufgaben verlangsamen den Entwicklungsprozess, machen ihn fehleranfällig und haben einen negativen Einfluss auf die Motivation.
Um die Praxis für Entwickler zu verbessern, arbeiten wir derzeit and einer Sammlung von Bibliotheken die einfach in Python-Skripte integriert werden können und viele dieser Aufgaben automatisieren.
- Aufteilen von Python-Skripten in unabhängige logische Aufgaben die einzeln gestartet werden
- Einfache Integration durch die Verwendung von decorators
- UnterstĂĽtzung fĂĽr das Starten von Aufgaben mit unterschiedlichen Python-Interpretern
- Asynchrone AusfĂĽhrung von Aufgaben
- Automatisches Deployment und Starten auf unterschiedlichen Rechenplattformen (lokal, Cluster mittels SSH, etc.)
- Verwalten von Zwischenergebnissen
- Wiederverwendbare Konfiguration
Das erste Produkt wird voraussichtlich in Q4 2021 veröffentlicht werden.
