无论您是否喜欢人工智能（AI）都将接管（商业）世界

实际上研究指出，有30％的组织正在进行AI试点，而近一半的组织将至少一种AI功能嵌入到其传统业务流程中，收养人数只会随着时间增加，原因很简单，在过去的几年中，组织积累了大量的数据，机器可以筛查这些数据，从而以的速度驱动结果，因此企业可以让机器做自己擅长的事情，而将繁琐的工作留给人类。

不幸的是对于大多数组织而言，为实际使用案例部署AI是一项艰巨的任务

一方面，他们必须能够聘用和保留不可思议的工程人才，另一方面，他们需要分配必要的时间和资源来扩展这些新应用程序，当前的挑战为了利用AI，世界各地的搜索引擎雇用了分布式计算专家和基础架构团队来确保他们具有扩展其应用程序所需的计算能力，但是拥有有限资源的组织根本负担不起提供专业知识和建立团队来满足其分布式计算需求的能力。

那么为什么这些AI应用程序很难扩展？

简而言之应用程序的需求增长比以往任何时候都快，比单个计算机的功能快得多，这只能分发这些应用程序。这意味着处理故障，实施复杂的资源分配和调度算法以有效地使用可用资源，并支持越来越多的硬件加速器（例如GPU，TPU），单独处理这些问题非常困难，当放在一起时，它们提出了艰巨的挑战，随着应用程序需求持续爆炸性增长，这一挑战只会加剧。

使用开源技术扩展应用程序

开源的使用在机器学习研究人员和工程师中很普遍，实际上，诸如scikit-learn，Tensorflow和Pytorch之类的机器学习库是一些的开源项目，此外Python已成为开发AI应用程序的标准语言。

这些开放源代码库大大简化了单台机器上AI应用程序的开发

但扩展这些应用程序的挑战仍然存在。为了应对这一挑战，组织越来越多地转向Ray，这是一个用于构建分布式应用程序的开源框架，该框架提供了一个简单而灵活的Python API，随着分布式计算成为常态，Ray使开发人员可以轻松地将应用程序从便携式计算机扩展到群集，而无需内部分布式计算专业知识和资源，这有效地消除了构建可扩展的分布式应用程序的主要障碍，该障碍使组织无法探索并终将AI和ML部署给企业使用。

Ray通过采用复杂的技术无缝地扩展到大型群集并提供容错能力来做到这一点

此外Ray可以通过部署在公共云或本地群集中，从而为开发人员提供实现真正业务价值所需的规模和性能要求，前进的道路尽管大多数企业缺乏世界各地的搜索引擎工程资源，但这不再是阻碍他们扩展和部署大规模AI应用程序的障碍。通过以智能的方式利用开源社区的力量，各种规模的企业都可以开始将其数据转换为可操作的见解，从而带来增值和快速决策。

在当今竞争激烈的行业中，这些功能至关重要，而这些功能很可能会将新兴公司变成明天的家喻户晓的名字。