Un guide convivial sur la conteneurisation pour le travail d’IA

Mains sur Un des plus grands casse-tête associés aux charges de travail en IA est de jongler avec tous les pilotes, runtimes, bibliothèques et autres dépendances dont ils ont besoin pour fonctionner. C’est particulièrement vrai pour les tâches accélérées matériellement, car si vous avez la mauvaise version de CUDA, ROCm ou PyTorch, il y a de fortes chances que vous restiez perplexe en regardant une erreur. Comme si cela ne suffisait pas, certains projets et applications en IA peuvent avoir des dépendances conflictuelles, tandis que différents systèmes d’exploitation peuvent ne pas prendre en charge les packages dont vous avez besoin. Cependant, en conteneurisant ces environnements, nous pouvons éviter une grande partie de ce désordre en construisant des images qui ont été configurées spécifiquement pour une tâche et – peut-être plus important encore – qui peuvent être déployées de manière cohérente et répétable à chaque fois. Et comme les conteneurs sont largement isolés les uns des autres, vous pouvez généralement faire fonctionner des applications avec des piles logicielles contradictoires. Par exemple, vous pouvez avoir deux conteneurs, l’un avec CUDA 11 et l’autre avec 12, fonctionnant en même temps. C’est l’une des raisons pour lesquelles les fabricants de puces proposent souvent des versions conteneurisées de leurs bibliothèques logicielles de calcul accéléré aux utilisateurs, car cela offre un point de départ cohérent pour le développement.