Cadre déclaratif pour entraîner, affiner et déployer des LLM, des modèles de vision et tabulaires à l'aide de configurations YAML.
Créez, affinez et servez des modèles multimodaux, des LLM et des prévisions de séries temporelles sans code superflu.
Ludwig est un cadre d'apprentissage profond déclaratif qui vous permet de créer et d'affiner des modèles d'apprentissage automatique à l'aide de fichiers de configuration YAML structurés. Au lieu d'écrire des boucles d'entraînement PyTorch personnalisées, vous spécifiez les caractéristiques d'entrée et de sortie ainsi que les paramètres du modèle. Il convient aux équipes d'ingénierie et aux data scientists qui ont besoin de modèles spécialisés pour l'analyse de capteurs, les inspections visuelles ou des LLM spécifiques à un domaine.
Ludwig gère l'entraînement de modèles de bout en bout, le réglage des hyperparamètres et le service d'inférence sur des jeux de données textuels, d'images, de séries temporelles et tabulaires. Il fournit des options standardisées pour les flux de travail avancés, notamment l'ajustement d'instructions QLoRA 4 bits, l'alignement DPO et la prévision de séries temporelles PatchTST. Vous pouvez exécuter des sessions d'entraînement via une simple commande CLI ou exporter des modèles vers des points de terminaison REST à l'aide de Ray Serve et KServe.
Cet outil convient aux ingénieurs ML, aux analystes de données structurelles et aux concepteurs computationnels qui ont besoin d'entraîner des réseaux de neurones personnalisés sans réécrire le code d'entraînement de base. Il est moins adapté aux architectes non techniques ou aux praticiens du design qui manquent de compétences en préparation de jeux de données ou d'une infrastructure informatique dédiée.
Définissez des architectures d'apprentissage profond complètes, des encodeurs de caractéristiques et des fonctions de perte dans des fichiers de configuration structurés.
Appliquez la QLoRA 4 bits, l'alignement DPO, le PEFT multi-adaptateur et l'entraînement VLM aux modèles de fondation ouverts.
Combinez des encodeurs d'images, des transformateurs de texte et des caractéristiques numériques dans un réseau multitâche unifié.
Préobtenez des métriques d'utilisation structurelle ou énergétique en utilisant PatchTST, N-BEATS intégrés et des métriques d'évaluation spécialisées.
Ludwig est open source et gratuit à exécuter sous licence Apache-2.0. Vos seuls coûts opérationnels proviennent de l'infrastructure informatique et des GPU nécessaires pour entraîner et héberger vos modèles.
877 missions ouvertes à distance en entraînement d’IA, mises à jour le 16 novembre 2026 ; la plupart paient $20–$175 de l’heure. 8 d’entre elles demandent des francophones. Zekai les liste gratuitement ; la candidature se fait sur la plateforme de l’employeur.
Alors que les petites tâches tabulaires s'exécutent sur un processeur standard, l'affinage des LLM ou l'entraînement de modèles de vision nécessite des GPU Nvidia dédiés.
Oui, l'exécution de ludwig serve lance une API REST locale, et ludwig intègre une prise en charge de production pour Ray Serve et KServe.
Voir Zekai en premier dans Google