Cloud APIs are convenient until they stop being convenient. Your monthly bill creeps up. A pricing change breaks your bu

ಕ್ಲೌಡ್ APIಗಳು ಅನುಕೂಲಕರವಾಗಿರುತ್ತವೆ, ಆದರೆ ಅವು ಯಾವಾಗ ಅನುಕೂಲಕರವಾಗಿರುವುದಿಲ್ಲವೋ ಅಲ್ಲಿ ಸಮಸ್ಯೆ ಶುರುವಾಗುತ್ತದೆ. ನಿಮ್ಮ ಮಾಸಿಕ ಬಿಲ್ ಏರುತ್ತಾ ಹೋಗುತ್ತದೆ. ಬೆಲೆ ಬದಲಾವಣೆಯು ನಿಮ್ಮ ಬಜೆಟ್ ಅನ್ನು ಹಾಳುಮಾಡುತ್ತದೆ. ಮತ್ತು ಎಲ್ಲಿಯೋ ಒಂದು ಸಣ್ಣ ಅಕ್ಷರಗಳಲ್ಲಿ (fine print), ನಿಮ್ಮ ಸ್ವಂತ ಡೇಟಾವನ್ನು ಬೇರೆಯವರ ಮಾಡೆಲ್ ತರಬೇತಿಗೊಳಿಸಲು ಬಳಸಲಾಗುತ್ತಿದೆ. ಈ ಅಡಚಣೆಗಳು ಹೆಚ್ಚು ಹೆಚ್ಚು ಡೆವಲಪರ್‌ಗಳು ಸ್ಥಳೀಯ (local) AI ವರ್ಕ್‌ಸ್ಟೇಷನ್‌ಗಳನ್ನು ನಿರ್ಮಿಸಲು ಪ್ರೇರೇಪಿಸುತ್ತಿವೆ. ನೀವು ಒಮ್ಮೆ ಹಾರ್ಡ್‌ವೇರ್ ಖರೀದಿಸುತ್ತೀರಿ, ಸಂಪೂರ್ಣ ಸ್ಟ್ಯಾಕ್ ಅನ್ನು ನಿಮ್ಮ ವಶದಲ್ಲಿಟ್ಟುಕೊಳ್ಳುತ್ತೀರಿ ಮತ್ತು ನಿಮ್ಮ ಯಂತ್ರದಿಂದ ಯಾವ ಡೇಟಾ ಹೊರಹೋಗಬೇಕು ಎಂಬುದನ್ನು ನಿಖರವಾಗಿ ನಿರ್ಧರಿಸುತ್ತೀರಿ.

ಈ ವಾರ ಮೂರು ಪ್ರಮುಖ ಬೆಳವಣಿಗೆಗಳು ಕಂಡುಬಂದಿವೆ, ಇವು ಆ ಬದಲಾವಣೆಯನ್ನು ಹೆಚ್ಚು ಪ್ರಾಯೋಗಿಕವಾಗಿಸುತ್ತವೆ: ನಿಮ್ಮ ಹಣಕಾಸಿನ ಡೇಟಾವನ್ನು ಮನೆಯಲ್ಲೇ ಇರಿಸುವ Dockerized ಟ್ರೇಡಿಂಗ್ ಅಸಿಸ್ಟೆಂಟ್, NVIDIA GPUಗಳನ್ನು ನಿಮ್ಮ ನಿಯಂತ್ರಣಕ್ಕೆ ತರಲು ಒಂದು ಸರಳ ಮಾರ್ಗದರ್ಶಿ, ಮತ್ತು Hugging Face ನಿಂದ ಹೊಸ ಬಿಡುಗಡೆಯಾಗಿದ್ದು, ಇದು ರೋಬೋಟ್ ಲರ್ನಿಂಗ್ ಅನ್ನು ಸಾಮಾನ್ಯ ಗ್ರಾಹಕರ ಡೆಸ್ಕ್‌ಟಾಪ್‌ಗೆ ಹತ್ತಿರ ತರುತ್ತದೆ.

Docker ಬಳಸಿ ನಿಮ್ಮ ಟ್ರೇಡಿಂಗ್ ಡೇಟಾವನ್ನು ಸ್ಥಳೀಯವಾಗಿ (Local) ಇರಿಸಿ

ಒಬ್ಬ ಡೆವಲಪರ್ TradingSpy ಅನ್ನು ಬಿಡುಗಡೆ ಮಾಡಿದ್ದಾರೆ, ಇದು ವಿಶೇಷವಾಗಿ ಟ್ರೇಡಿಂಗ್ ವರ್ಕ್‌ಫ್ಲೋಗಳಿಗಾಗಿ ನಿರ್ಮಿಸಲಾದ ಸ್ಥಳೀಯ AI ಸಂಶೋಧನಾ ಸಹಾಯಕ (research assistant). ಮಾರ್ಕೆಟ್ ಡೇಟಾ ಮತ್ತು ವೈಯಕ್ತಿಕ ವಾಚ್‌ಲಿಸ್ಟ್‌ಗಳನ್ನು ರಿಮೋಟ್ ಎಂಡ್‌ಪಾಯಿಂಟ್‌ಗೆ ಕಳುಹಿಸುವ ಬದಲು, ನೀವು ಎಲ್ಲವನ್ನೂ ನಿಮ್ಮ ಸ್ವಂತ ಹಾರ್ಡ್‌ವೇರ್‌ನಲ್ಲಿರುವ Docker ಕಂಟೇನರ್ ಒಳಗೆ ರನ್ ಮಾಡಬಹುದು.

ಹಣಕಾಸಿನ ಡೇಟಾ ಅತ್ಯಂತ ಸೂಕ್ಷ್ಮವಾದುದು. ಸಾಧ್ಯವಾದರೆ ನಿಮ್ಮ ಪೋರ್ಟ್‌ಫೋಲಿಯೊ ಸಂಯೋಜನೆ (composition), ಟ್ರೇಡಿಂಗ್ ಟಿಪ್ಪಣಿಗಳು ಮತ್ತು ಐತಿಹಾಸಿಕ ಪوزیشنಗಳು ಯಾವುದೇ ಥರ್ಡ್-ಪಾರ್ಟಿ API ಮೂಲಕ ಹಾದುಹೋಗಬಾರದು. ಮಾಡೆಲ್ ಅನ್ನು ಸ್ಥಳೀಯವಾಗಿ ರನ್ ಮಾಡುವುದರಿಂದ ಆ ಅಪಾಯವನ್ನು ಸಂಪೂರ್ಣವಾಗಿ ತಪ್ಪಿಸಬಹುದು. ಕಂಟೇನರ್ ಇನ್ಫರೆನ್ಸ್ (inference) ಅನ್ನು ನಿರ್ವಹಿಸುತ್ತದೆ ಮತ್ತು ನಿಮ್ಮ ಬ್ರೋಕೇಜ್ ಡೇಟಾ ಎಂದಿಗೂ ನಿಮ್ಮ ಯಂತ್ರದಿಂದ ಹೊರಗೆ ಹೋಗಬೇಕಾಗಿಲ್ಲ.

ಪೈಥಾನ್ (Python) ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ ಪ್ರಾಜೆಕ್ಟ್‌ಗಳಲ್ಲಿ ಕಂಡುಬರುವ ಸಂಕೀರ್ಣ ಡಿಪೆಂಡೆನ್ಸಿ (dependency) ಸಮಸ್ಯೆಯನ್ನು Docker ಪರಿಹರಿಸುತ್ತದೆ. ಟ್ರೇಡಿಂಗ್ ಸ್ಟ್ಯಾಕ್‌ಗಳು ಸಾಮಾನ್ಯವಾಗಿ pandas ನಂತಹ ಡೇಟಾ ಲೈಬ್ರರಿಗಳು, ಟೆಕ್ನಿಕಲ್ ಅನಾಲಿಸಿಸ್ ಟೂಲ್‌ಕಿಟ್‌ಗಳು ಮತ್ತು GPU-accelerated ಇನ್ಫರೆನ್ಸ್ ಇಂಜಿನ್‌ಗಳನ್ನು ಒಳಗೊಂಡಿರುತ್ತವೆ. ಐಸೊಲೇಶನ್ (isolation) ಇಲ್ಲದಿದ್ದರೆ, ಒಂದು ಪ್ರಾಜೆಕ್ಟ್‌ಗೆ CUDA 11.8 ಬೇಕಾಗಬಹುದು, ಇನ್ನೊಂದ

Hugging Face ತನ್ನ LeRobot ನ 0.6.0 ಆವೃತ್ತಿಯನ್ನು ಬಿಡುಗಡೆ ಮಾಡಿದೆ. ಇದು ಚಾಟ್‌ಬಾಟ್‌ಗಳು ಮತ್ತು ಇಮೇಜ್ ಜನರೇಟರ್‌ಗಳ ಹಿಂದೆ ಇರುವ Transformers ಮತ್ತು Diffusers ಲೈಬ್ರರಿಗಳನ್ನೇ ಬಳಸಿಕೊಂಡು ರೋಬೋಟ್ ಕಲಿಕೆ (robot learning) ಎಂಬ ಸಂಪೂರ್ಣ ಭಿನ್ನವಾದ ಕಾರ್ಯಕ್ಕಾಗಿ ರೂಪಿಸಲಾದ ಒಂದು ಫ್ರೇಮ್‌ವರ್ಕ್ ಆಗಿದೆ. ಮುಂದಿನ ಪದ ಅಥವಾ ಪಿಕ್ಸೆಲ್ ಅನ್ನು ಊಹಿಸುವ ಬದಲು, ಈ ಮಾಡೆಲ್ ಕ್ಯಾಮೆರಾ ಫೀಡ್ ಮತ್ತು ಭಾಷಾ ಸೂಚನೆಯನ್ನು ಆಧರಿಸಿ ಮುಂದಿನ ಮೋಟಾರ್ ಕ್ರಿಯೆಯನ್ನು (motor action) ಊಹಿಸುತ್ತದೆ.

ರೋಬೊಟಿಕ್ಸ್ ಎಂಬುದು ದೀರ್ಘಕಾಲದಿಂದ ಮೊಷನ್-ಕ್ಯಾಪ್ಚರ್ ರೂಮ್‌ಗಳು ಮತ್ತು ಇಂಡಸ್ಟ್ರಿಯಲ್ GPUಗಳ ಕ್ಲಸ್ಟರ್‌ಗಳನ್ನು ಹೊಂದಿರುವ ಹೆಚ್ಚು ಹಣಕಾಸಿನ ಸೌಲಭ್ಯವಿರುವ ಪ್ರಯೋಗಾಲಯಗಳಿಗೆ ಸೀಮಿತವಾದ ವಿಷಯದಂತೆ ಕಾಣುತ್ತಿತ್ತು. LeRobot ಆ ಅಡೆತಡೆಯನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತಿದೆ. 0.6.0 ಆವೃತ್ತಿಯು ನೀವು ರೋಬೋಟಿಕ್ ಪಾಲಿಸಿಗಳನ್ನು (robotic policies) ಹೇಗೆ ವಿನ್ಯಾಸಗೊಳಿಸುವುದು, ತರಬೇತಿ ನೀಡುವುದು ಮತ್ತು ಮೌಲ್ಯಮಾಪನ ಮಾಡುವುದು ಎಂಬುದನ್ನು ಸರಳಗೊಳಿಸುತ್ತದೆ. ನೀವು ಸಿಮ್ಯುಲೇಶನ್‌ನಲ್ಲಿ ಪ್ರೊಟೊಟೈಪ್ ಮಾಡಬಹುದು, ಪಾಲಿಸಿ ಆರ್ಕಿಟೆಕ್ಚರ್ ಅನ್ನು ಸುಧಾರಿಸಬಹುದು ಮತ್ತು ಸಾವಿರಾರು ಸಾಲುಗಳ ಲೋ-ಲೆವೆಲ್ ಕಂಟ್ರೋಲ್ ಕೋಡ್ ಬರೆಯುವ ಅಗತ್ಯವಿಲ್ಲದೆ ನೈಜ ರೋಬೋಟಿಕ್ ಆರ್ಮ್ ಅಥವಾ ಮೊಬೈಲ್ ಬೇಸ್‌ಗೆ ವರ್ಗಾಯಿಸಬಹುದು.

ಈ ಬಿಡುಗಡೆಯ ವಿಶೇಷತೆಯೆಂದರೆ ಇದು ಕನ್ಸ್ಯೂಮರ್ GPUಗಳನ್ನು ಗುರಿಯಾಗಿಸಿಕೊಂಡಿದೆ. ಪ್ರಯೋಗ ಮಾಡಲು ನಿಮಗೆ ಸರ್ವರ್ ರಾಕ್ ಅಗತ್ಯವಿಲ್ಲ. ಒಂದು ಹೈ-ಎಂಡ್ ಕನ್ಸ್ಯೂಮರ್ ಕಾರ್ಡ್ ಮೂಲಕ ನೈಜ ಗ್ರಿಪ್ಪರ್‌ಗಳು ಮತ್ತು ಆರ್ಮ್‌ಗಳಿಗೆ ಅನ್ವಯವಾಗುವ ಪಾಲಿಸಿಗಳನ್ನು ತರಬೇತಿ ಮಾಡಬಹುದು. ಓಪನ್-ವೇಟ್ ಮಾಡೆಲ್‌ಗಳು ಕ್ಲೌಡ್‌ನಿಂದ ಹೊರಬಂದು ಭೌತಿಕ ಹಾರ್ಡ್‌ವೇರ್‌ಗೆ ಪ್ರವೇಶಿಸುತ್ತಿವೆ ಎಂಬುದಕ್ಕೆ ಇದು ಸ್ಪಷ್ಟ ಸಂಕೇತವಾಗಿದೆ. ಈ ವೇಟ್‌ಗಳು (weights) ನಿಮ್ಮ ಡ್ರೈವ್‌ನಲ್ಲೇ ಇರುತ್ತವೆ. ರೋಬೋಟ್ ಯಾವುದೇ API ಗೆ ನೆಟ್‌ವರ್ಕ್ ಮೂಲಕ ಸಂಪರ್ಕಿಸುವ ಅಗತ್ಯವಿಲ್ಲದೆ ನೇರವಾಗಿ ಕಮಾಂಡ್‌ಗಳನ್ನು ಪಡೆಯುತ್ತದೆ. ನೀವು ನೈಜ ಪ್ರಪಂಚದಲ್ಲಿ ಚಲಿಸುವ ವಸ್ತುವನ್ನು ನಿಯಂತ್ರಿಸುತ್ತಿರುವಾಗ, ಲೇಟೆನ್ಸಿ (latency) ಮತ್ತು ಗೌಪ್ಯತೆಯ (privacy) ಪ್ರಯೋಜನಗಳನ್ನು ನಿರ್ಲಕ್ಷಿಸಲು ಸಾಧ್ಯವಿಲ್ಲ.

ಇದು ಸಾಫ್ಟ್‌ವೇರ್ ಮತ್ತು ಹಾರ್ಡ್‌ವೇರ್ ನಡುವಿನ ಗಡಿಯ ಬಗ್ಗೆ ನಿಮ್ಮ ಆಲೋಚನೆಯನ್ನು ಸಹ ಬದಲಾಯಿಸುತ್ತದೆ. ಹಿಂದೆ ರೋಬೋಟಿಕ್ ಪಾಲಿಸಿಗಳು ಕೇವಲ ಸಂಶೋಧನಾ ಪತ್ರಿಕೆಗಳಲ್ಲಿ (papers) ಮಾತ್ರ ಇರುತ್ತಿದ್ದವು. ಈಗ ಅವು ನೀವು ಕ್ಲೋನ್ ಮಾಡಬಹುದಾದ, ನಿಮ್ಮ ಸ್ವಂತ ಮೋಷನ್ ಡೇಟಾದ ಮೇಲೆ ಫೈನ್-ಟ್ಯೂನ್ ಮಾಡಬಹುದಾದ ಮತ್ತು ನಿಮ್ಮ ಬಳಿ ಇರುವ ಹಾರ್ಡ್‌ವೇರ್‌ನಲ್ಲಿ ಬಳಸಬಹುದಾದ ರೆಪೊಸಿಟರಿಗಳಲ್ಲಿ ಲಭ್ಯವಿವೆ.

ನಿಜವಾದ ಗೆಲುವು ನಿಯಂತ್ರಣದಲ್ಲಿದೆ

ಲೋಕಲ್ AI ಸ್ಟ್ಯಾಕ್ ಅನ್ನು ನಿರ್ಮಿಸುವುದು ಎಂಬುದು ತತ್ವದ ಮೇಲೆ ಕ್ಲೌಡ್ ಅನ್ನು ತಿರಸ್ಕರಿಸುವುದಲ್ಲ. ಬದಲಾಗಿ, ನಿಮ್ಮ ಮೌಲ್ಯಗಳ ಆಧಾರದ ಮೇಲೆ ನಿಮ್ಮ ಕಂಪ್ಯೂಟ್ ಎಲ್ಲಿ ನಡೆಯಬೇಕು ಎಂಬುದನ್ನು ಆಯ್ಕೆ ಮಾಡಿಕೊಳ್ಳುವುದು. ನೀವು ಮಾಡೆಲ್‌ಗಳನ್ನು ಲೋಕಲ್ ಆಗಿ ರನ್ ಮಾಡಿದಾಗ, ನಿಮ್ಮ ಡೇಟಾ ನಿಮ್ಮ ಡ್ರೈವ್‌ಗಳಲ್ಲೇ ಇರುತ್ತದೆ. ನಿಮ್ಮ ವೆಚ್ಚಗಳು ಅನಿಶ್ಚಿತ ಮಾಸಿಕ ಬಿಲ್‌ನಿಂದ ಸ್ಥಿರವಾದ ಹಾರ್ಡ್‌ವೇರ್ ಹೂಡಿಕೆಯಾಗಿ ಬದಲಾಗುತ್ತವೆ. ಮತ್ತು ನೀವು CUDA ಡಿಬಗ್ ಮಾಡುವುದು, VRAM ಪ್ರೊಫೈಲಿಂಗ್ ಮಾಡುವುದು, ವರ್ಕ್‌ಫ್ಲೋಗಳನ್ನು ಕಂಟೇನರೈಸ್ ಮಾಡುವುದು ಮುಂತಾದ ಕೌಶಲ್ಯಗಳನ್ನು ಕಲಿಯುತ್ತೀರಿ—ಇವು ನಿಮ್ಮನ್ನು ಕೇವಲ API ಬಳಕೆದಾರರನ್ನಾಗಿ ಮಾಡದೆ, ಸಿಸ್ಟಮ್ಸ್ ಇಂಜಿನಿಯರ್ ಆಗಿ ರೂಪಿಸುತ್ತವೆ.

ಪರಿಕರಗಳು ಸಿದ್ಧವಾಗಿವೆ. ಮಾಡೆಲ್‌ಗಳು ಕನ್ಸ್ಯೂಮರ್ ಕಾರ್ಡ್‌ಗಳಿಗೆ ಸರಿಹೊಂದುವಷ್ಟು ಚಿಕ್ಕದಾಗಿವೆ. ಈಗ ಉಳಿದಿರುವ ಏಕೈಕ ಪ್ರಶ್ನೆ ಎಂದರೆ, ನೀವು ಈ ಸ್ಟ್ಯಾಕ್ ಅನ್ನು ಸ್ವತಃ ಹೊಂದಲು ಬಯಸುತ್ತೀರಾ ಅಥವಾ ಬಾಡಿಗೆಗೆ ಪಡೆಯುವುದನ್ನು ಮುಂದುವರಿಸುತ್ತೀರಾ ಎಂಬುದು ಮಾತ್ರ.