Ambolt AIs udviklerværktøj, Emily, gør konfiguration og deployment hurtigere og enklere, så du kan bruge tiden på selve AI-projektet.
Skrevet af; Michael C. Svendsen
En kombination af besværlig konfiguration og mangel på tekniske ressourcer holder mange virksomheder fra at drage fordel af AI. Derfor byggede det danske udviklingshus Ambolt AI sit eget værktøj til at løse udfordringen. Baggrunden er blandt andet det faktum, at erhvervsledere i nærmest alle typer virksomheder ser enorme muligheder i AI. Men også at mange også er bekymrede for, om de løber stærkt nok – eller om konkurrenterne er endnu hurtigere til at høste fordelene.
Det var eksempelvis blandt konklusionerne i en toneangivende KPMG-rapport fra 2021 med titlen Thriving in an AI World. Her konstaterede man også, at særligt mindre og mellemstore virksomheder oplever betydelige vanskeligheder ved at vælge de rigtige teknologier til deres AI-indsats. Begge konklusioner nikker man genkendende til hos Ambolt AI.
Ofte behov for andet end standardiserede AI-platforme
”Leverandører såsom Microsoft, Google og IBM har spændende og gennemarbejdede AI-platforme, som kan løse standardiserede opgaver effektivt. Men platformene er et skidt match, hvis dine behov afviger fra skabelonen, og det holder mange virksomheder tilbage,” forklarer Jon Andersen, CCO hos Ambolt AI.
Samtidig forhindrer eksempelvis GPDR eller egne fortrolighedshensyn en del i at anvende cloudbaserede AI-platforme, hvorfor de er nødt til at bygge deres egne. Men det er lettere sagt end gjort, konstaterer udvikler Anders Brams.
”Hos Ambolt AI har vi oplevet på egen krop, hvor besværligt det i praksis er at sætte den underliggende infrastruktur op, så du kan udvikle og idriftsætte AI. Du kan let bruge evigheder på at konfigurere udviklingsmiljøet, tildele ressourcer og rode med deployment. Og har to udviklere ikke samme OS eller driverversion, kan man nemt bruge et par dage bare på at få styr på dét,” siger han.
Men for at komme så langt, forudsætter det endda, at man har full-stack udviklere i organisationen med viden om, hvordan elementerne konfigureres korrekt, og ”de hænger bestemt ikke på træerne,” som Jon Andersen konstaterer.
Emily gør det nemt og hurtigt at konfigurere korrekt
Derfor byggede Ambolt AI værktøjet Emily, der kan hjælpe machine learning ingeniører og data scientists i arbejdet med udvikling og deployment af ML microservices.
”Emily er et CLI-værktøj, der holder styr på hele projektet fra projektstart til deployment i et produktionsmiljø. Emily flytter udviklerens kodeeditor ind i en container for at sikre et komplet containeriseret udviklingsmiljø. Tilsvarende sker al skrivning af kode, test og afvikling af microservicen inde i Docker-containeren, der senere vil blive sat i produktion. Så virker dit projekt i udviklingsmiljøet, vil det også fungere i drift,” forklarer Anders Brams.
”Og fordi udviklingsmiljøet er fuldt containeriseret, er det også slut med opsætningskonflikter og bøvl med forskellige OS og driverversioner,” tilføjer han.
Emily er bygget op omkring en spørgeramme, der leder brugeren sikkert fra de første trin i konfigurationen og hele vejen til deployment – og værktøjet skriver undervejs den underliggende Pythonkode, som sikrer at konfigurationen forløber korrekt.
Sådan: Tag nemt de første skridt mod effektiv AI-udvikling
Gennem det seneste års tid har værktøjet gjort de tidskrævende og ofte frustrerende konfigurationsopgaver markant nemmere og hurtigere for Ambolts AIs egne udviklere og data scientists. For nylig demonstrerede Jon Andersen det til en række kunder, der var mere end begejstrede for mulighederne.
”Så opstod ideen med også at stille Emily til rådighed for andre, så de kan prøve, hvordan det kan hjælpe dem med at realisere deres AI-projekter,” siger han.
Værktøjet findes i to versioner, nemlig en basal udgave ved navn Emily Core, der stilles gratis til rådighed, samt den helt nye Emily Deploy, der har udrulningsfunktionalitet.
”Vi har selv haft virkelig stor fornøjelse af Emily, og jeg håber virkelig, at det kan hjælpe andre med at håndtere en meget stor del af de trælse og reelt ofte uoverkommelige opgaver, som gør det svært at føre AI-planer og ideer ud i livet,” siger Jon Andersen.
