> ML_KUTUPHANE // RAY_v1.0
Ray
Anyscale / UC Berkeley RISELab — Yapay zeka ve Python iş yüklerini eğitimden sunuma kadar ölçekleyen birleşik çerçeve.
distributed-computationv2.37.0Apache-2.0qualified
Model Eğitimi (Training)
Desteklenen Hızlandırıcılar:
CPUCUDAROCMTPU
Dağıtık Eğitim (Distributed):Evet
Model Sunumu (Inference)
Inference Hızlandırıcıları:
CPUCUDAROCM
Hedef Ortamlar (Targets):server
Neleri Sağlar (Ne Yapar)
- +Hafif aktörler ve görevlerle dağıtık hesaplama
- +Uçtan uca dağıtık yapay zeka orkestrasyonu (Ray Train, Ray Data, Ray Tune, Ray Serve)
- +İşçiler arasında bellek paylaşımı için sıfır kopyalı nesne deposu (Plasma)
Neleri Sağlamaz (Ne Yapmaz)
- -Düşük seviyeli yapay sinir ağı işlemlerini doğrudan yürütme
- -Hafif tek dosyalık bir betik kütüphanesi olarak çalışma
- -Varsayılan olarak kimlik doğrulamalı güvenli ağ yapılandırması sunma
>Uygun İş Tipleri
- Dağıtık LLM ön eğitimi ve ince ayarı (fine-tuning)
- Ray Tune ile büyük ölçekli dağıtık hiperparametre optimizasyonu
- Ray Serve ile ölçeklenebilir çok modelli çıkarım sunumu
>Uygun Olmayan İş Tipleri
- Basit tek iş parçacıklı yerel veri betikleri
- İnternetsiz uç mikrodenetleyiciler
Veri Yerleşimi ve İkameti
Küme içi veri hareketi; izole VPC gerektirir.
Güvenlik Değerlendirmesi
KRİTİK: Ray Dashboard ve portlarını izole edin. Kimlik doğrulaması eksikliği kripto madenciliği ve veri sızıntılarına (ShadowRay) yol açmıştır.
Operasyonel Metrikler ve Bilinen Kısıtlar
Olgunluk:mature
Öğrenme Eğrisi:high
Operasyon Yükü:high
Maliyet Seviyesi:high-compute
> Bilinen Kısıtlamalar:
- Küme topolojisini ve Ray işlerini yönetmek ciddi operasyonel uzmanlık gerektirir.
- Nesne deposu bellek baskısı aktörlerin sırayla çökmesine yol açabilir.
İlişkili Üretim Arıza Paternleri (Incidentpedia)
Bu kütüphaneyi üretimde kullanırken aşağıdaki arıza senaryolarına karşı fail-closed korumalar uygulayın:
> Birincil Kanıt ve Doğrulama Kaynakları
Ray 2.37 Documentationofficial-docs • >=2.20.0, <=2.37.x
2026-09-25HIGH