AI 项目快速启动工具包

加速你的 AI 项目启动——快速启动 ModelKits

AI 项目的潜力是巨大的，但数据科学和机器学习团队在取得成果前往往面临重大挑战。调整参数以优化性能、选择合适的模型、采集训练数据集等任务都耗时冗长，且需要多次迭代。这个漫长的过程可能延缓项目进度，分散 ML 工程师对更关键职责的注意力。

数据准备往往是一项劳动密集的工作，需要仔细关注细节。评估模型性能需要高水平的专业知识，选择特定问题的最佳模型也是如此。微调超参数以提升性能也会变得繁琐，需要多次调整。

此外，数据科学家和机器学习团队如果没有完善的文档，往往难以有效地实现他们的解决方案。

本指南探讨了 Jozu Quickstart ModelKits 如何帮助开发者应对这些挑战。本指南还将包含分步教程，帮助你启动下一个 AI 项目。

Jozu Quickstart ModelKits 是什么？

Jozu Quickstart ModelKits 是现成的 AI 项目工具包，旨在帮助 AI/ML 工程师开始他们的 AI 项目计划。这些工具包包含 AI/ML 工程师启动 AI 项目所需的一切，从精心挑选的模型和优化参数到文档和现成的数据集。

以下是 Jozu 的 Quickstart ModelKits 如何简化 AI 项目的方式：

高效的制品管理：制品是 ModelKit 的构建块。它们可以是数据集、模型或代码，每个都单独存储和寻址。与传统容器镜像不同，ModelKits 允许直接寻址包含的制品。这意味着工具可以在任何给定阶段选择性地只解包所需的数据集或代码，优化资源使用并加快开发速度。

跨团队协作和无缝共享：ModelKit 的标准化格式营造了一个协作环境，使团队能够在开发的不同阶段轻松共享和管理 AI/ML 制品。

共享制品的流畅效率：ModelKits 设计用来高效处理多个版本中的共享制品。例如，当同一数据集被多个 ModelKits 使用时，这种方法可以显著减少重复和存储开销。

针对 AI/ML 工作流优化：ModelKits 是为 AI/ML 项目量身定制的，满足特定需求，如版本控制和环境配置。

完整的文档：使用 Jozu Quickstart ModelKits，详细的分步文档确保 ML/AI 工程师可以无缝地将 Mo 集成到他们的项目中。文档指南涵盖了从设置到部署的每一步。

如何使用 Jozu Quickstart ModelKits

以下是使用 Jozu Quickstart ModelKits 启动 AI 项目的分步教程。

步骤 1：为你的操作系统安装和设置 KitOps

根据操作系统 (OS) 的不同，KitOps 的安装方式也不同。但核心思路是下载 KitOps 可执行文件并将其添加到操作系统能检测到的路径中。

安装后，你可以通过打开新终端或命令提示符并输入命令 kit version 来验证 Kit CLI 是否正确安装。

kit version
-----------
Version: 0.4.0
Commit: 4d208b6cccdefdce2e79d3bea2e54d08d65dee8f
Built: 2024-08-26T15:08:11Z
Go version: go1.21.6

步骤 2：登录到 Jozu 的 ModelKit 注册表

访问 Jozu Hub 并创建免费账户。

注册后，在命令提示符中登录你的注册表，输入命令 kit login jozu.ml 并使用你的用户名和密码。

你将收到以下登录成功响应：

kit login jozu.ml
-----------
Username: your-email@companyname.com
Password:
Log in successful

步骤 3：获取示例 ModelKit

使用 unpack 命令 kit unpack，从 Jozu Hub 拉取示例 ModelKit 到你的机器。你可以从 Jozu Hub 获取任何 ModelKits。为了演示，让我们使用一个基于 Llama3 的微调模型。

kit unpack jozu.ml/jozu/fine-tuning:latest
-----------
Unpacking to C:Users\Habari
Unpacking referenced modelkit jozu.ml/jozu/llama3-8b:8B-instruct-q4_0
Unpacking model llama3-8b-8B-instruct-q4_0 to llama3-8b-8B-instruct-q4_0.gguf
Unpacking config to C:Users\Habari\Kitfile
Unpacking code to README.md
Unpacking dataset fine-tune-data to training-data.txt

步骤 4：检查本地存储库

使用 list 命令 kit list 检查本地存储库中的内容。此时，你的存储库是空的，如下代码块所示：

kit list
-----------
REPOSITORY  TAG  MAINTAINER  NAME  SIZE  DIGEST

步骤 5：打包 ModelKit

由于你的存储库是空的，使用 pack 命令 kit pack 创建你的 ModelKit。确保本地注册表中的 ModelKit 与远程注册表的命名结构相匹配。

命令格式如下：kit pack . -t [your registry address]/[your registry user or organization name]/[your repository name]:[your tag name]

在本例中，上述命令用于将标记为 latest（代表你的标签名）的 ModelKit 推送到：

Jozu Hub --→ 你的注册表地址

chukoz71 -→ 你的注册表用户或组织名称

quick-start -→ 你的存储库名称

因此，命令将如下所示：kit pack . -t jozu.ml/chukoz71/quick-start:latest

kit pack . -t jozu.ml/chukoz71/quick-start:latest
kit list
-----------
REPOSITORY: jozu.ml/chukoz71/quick-start
TAG: latest 
MAINTAINER: Jozu AI
NAME: llama3 fine-tuned
SIZE: 95.5 MiB
DIGEST: sha256:7b6bee7cadfa595abbfb039f91c5f146d9e7da956dfcf29735d499bdaa2945c1

步骤 6：将 ModelKit 推送到 Jozu Hub

使用 push 命令将新构建的 ModelKit 从本地存储库复制到之前登录的远程存储库。完成后，消息响应将显示"[INFO] pushed"，并附上新构建的 ModelKit Digest，通知已成功推送。

kit push jozu.ml/chukoz71/quick-start:latest
-----------
<-[0;32m[INFO] Pushed sha256:7b6bee7cadfa595abbfb039f91c5f146d9e7da956dfcf29735d499bdaa2945c1

同时，在 Jozu Hub 中登录你的存储库以确认 ModelKit Digest 已成功推送，如下所示。该图像显示了推送日期、ModelKit digest、标签名、大小和其他成功推送的证据。

按照这些步骤，你已经学会了如何使用 Jozu Quickstart ModelKits 在几分钟内启动你的 AI 项目。你已经探索了如何解包 ModelKit、打包它，以及将其推送到远程存储库。从这里开始，如果你想了解更多关于如何部署 ModelKit、签署你的 ModelKit、制作自己的 Kitfile 和标记 ModelKit，请按照 KitOps 的后续步骤进行。

使用 Jozu Quickstart ModelKits，启动 AI 项目的障碍从未如此容易跨越。许多开发者面临冗长的设置流程、完整项目文档的缺乏以及低效的 AI/ML 工作流。Jozu Quickstart ModelKits 消除了这一瓶颈，使团队能够在数分钟内进入核心开发。

立即开始使用 Jozu Quickstart ModelKits，简化你的 AI/ML 工作流程，加速你的 AI 开发。