ray-data

tarafından firecrawl

Makine öğrenimi iş yükleri için ölçeklenebilir veri işleme. CPU/GPU üzerinde akış yürütme, Parquet/CSV/JSON/görselleri destekler. Ray Train, PyTorch,… ile entegre olur.

npx skills add https://github.com/firecrawl/ai-research-skills --skill ray-data

Ray Data - Scalable ML Data Processing

Distributed data processing library for ML and AI workloads.

When to use Ray Data

Use Ray Data when:

  • Processing large datasets (>100GB) for ML training
  • Need distributed data preprocessing across cluster
  • Building batch inference pipelines
  • Loading multi-modal data (images, audio, video)
  • Scaling data processing from laptop to cluster

Key features:

  • Streaming execution: Process data larger than memory
  • GPU support: Accelerate transforms with GPUs
  • Framework integration: PyTorch, TensorFlow, HuggingFace
  • Multi-modal: Images, Parquet, CSV, JSON, audio, video

Use alternatives instead:

  • Pandas: Small data (<1GB) on single machine
  • Dask: Tabular data, SQL-like operations
  • Spark: Enterprise ETL, SQL queries

Quick start

Installation

pip install -U 'ray[data]'

Load and transform data

import ray

# Read Parquet files
ds = ray.data.read_parquet("s3://bucket/data/*.parquet")

# Transform data (lazy execution)
ds = ds.map_batches(lambda batch: {"processed": batch["text"].str.lower()})

# Consume data
for batch in ds.iter_batches(batch_size=100):
    print(batch)

Integration with Ray Train

import ray
from ray.train import ScalingConfig
from ray.train.torch import TorchTrainer

# Create dataset
train_ds = ray.data.read_parquet("s3://bucket/train/*.parquet")

def train_func(config):
    # Access dataset in training
    train_ds = ray.train.get_dataset_shard("train")

    for epoch in range(10):
        for batch in train_ds.iter_batches(batch_size=32):
            # Train on batch
            pass

# Train with Ray
trainer = TorchTrainer(
    train_func,
    datasets={"train": train_ds},
    scaling_config=ScalingConfig(num_workers=4, use_gpu=True)
)
trainer.fit()

Reading data

From cloud storage

import ray

# Parquet (recommended for ML)
ds = ray.data.read_parquet("s3://bucket/data/*.parquet")

# CSV
ds = ray.data.read_csv("s3://bucket/data/*.csv")

# JSON
ds = ray.data.read_json("gs://bucket/data/*.json")

# Images
ds = ray.data.read_images("s3://bucket/images/")

From Python objects

# From list
ds = ray.data.from_items([{"id": i, "value": i * 2} for i in range(1000)])

# From range
ds = ray.data.range(1000000)  # Synthetic data

# From pandas
import pandas as pd
df = pd.DataFrame({"col1": [1, 2, 3], "col2": [4, 5, 6]})
ds = ray.data.from_pandas(df)

Transformations

Map batches (vectorized)

# Batch transformation (fast)
def process_batch(batch):
    batch["doubled"] = batch["value"] * 2
    return batch

ds = ds.map_batches(process_batch, batch_size=1000)

Row transformations

# Row-by-row (slower)
def process_row(row):
    row["squared"] = row["value"] ** 2
    return row

ds = ds.map(process_row)

Filter

# Filter rows
ds = ds.filter(lambda row: row["value"] > 100)

Group by and aggregate

# Group by column
ds = ds.groupby("category").count()

# Custom aggregation
ds = ds.groupby("category").map_groups(lambda group: {"sum": group["value"].sum()})

GPU-accelerated transforms

# Use GPU for preprocessing
def preprocess_images_gpu(batch):
    import torch
    images = torch.tensor(batch["image"]).cuda()
    # GPU preprocessing
    processed = images * 255
    return {"processed": processed.cpu().numpy()}

ds = ds.map_batches(
    preprocess_images_gpu,
    batch_size=64,
    num_gpus=1  # Request GPU
)

Writing data

# Write to Parquet
ds.write_parquet("s3://bucket/output/")

# Write to CSV
ds.write_csv("output/")

# Write to JSON
ds.write_json("output/")

Performance optimization

Repartition

# Control parallelism
ds = ds.repartition(100)  # 100 blocks for 100-core cluster

Batch size tuning

# Larger batches = faster vectorized ops
ds.map_batches(process_fn, batch_size=10000)  # vs batch_size=100

Streaming execution

# Process data larger than memory
ds = ray.data.read_parquet("s3://huge-dataset/")
for batch in ds.iter_batches(batch_size=1000):
    process(batch)  # Streamed, not loaded to memory

Common patterns

Batch inference

import ray

# Load model
def load_model():
    # Load once per worker
    return MyModel()

# Inference function
class BatchInference:
    def __init__(self):
        self.model = load_model()

    def __call__(self, batch):
        predictions = self.model(batch["input"])
        return {"prediction": predictions}

# Run distributed inference
ds = ray.data.read_parquet("s3://data/")
predictions = ds.map_batches(BatchInference, batch_size=32, num_gpus=1)
predictions.write_parquet("s3://output/")

Data preprocessing pipeline

# Multi-step pipeline
ds = (
    ray.data.read_parquet("s3://raw/")
    .map_batches(clean_data)
    .map_batches(tokenize)
    .map_batches(augment)
    .write_parquet("s3://processed/")
)

Integration with ML frameworks

PyTorch

# Convert to PyTorch
torch_ds = ds.to_torch(label_column="label", batch_size=32)

for batch in torch_ds:
    # batch is dict with tensors
    inputs, labels = batch["features"], batch["label"]

TensorFlow

# Convert to TensorFlow
tf_ds = ds.to_tf(feature_columns=["image"], label_column="label", batch_size=32)

for features, labels in tf_ds:
    # Train model
    pass

Supported data formats

FormatReadWriteUse Case
ParquetML data (recommended)
CSVTabular data
JSONSemi-structured
ImagesComputer vision
NumPyArrays
PandasDataFrames

Performance benchmarks

Scaling (processing 100GB data):

  • 1 node (16 cores): ~30 minutes
  • 4 nodes (64 cores): ~8 minutes
  • 16 nodes (256 cores): ~2 minutes

GPU acceleration (image preprocessing):

  • CPU only: 1,000 images/sec
  • 1 GPU: 5,000 images/sec
  • 4 GPUs: 18,000 images/sec

Use cases

Production deployments:

  • Pinterest: Last-mile data processing for model training
  • ByteDance: Scaling offline inference with multi-modal LLMs
  • Spotify: ML platform for batch inference

References

Resources

firecrawl tarafından daha fazla skill

oracle
firecrawl
oracle CLI kullanımı için en iyi uygulamalar (istemci + dosya paketleme, motorlar, oturumlar ve dosya ekleme desenleri).
official
firecrawl-monitor
firecrawl
Bir web sitesindeki içerik değiştiğinde algılayın ve webhook veya e-posta ile bildirim alın — cron işleri, kazıyıcılar veya diff betikleri gerekmez. Kullanıcı bir sayfadaki değişiklikleri takip etmek, rakip fiyatlandırmasını izlemek, yeni iş ilanları veya blog yazıları için uyarı almak, dokümantasyon/değişiklik günlüğü/durum sayfalarını izlemek istediğinde veya "izle", "takip et", "gözetle", "X değiştiğinde beni uyar", "X değişirse bildir", "bana ping at", "şu olduğunda e-posta gönder" veya "webhook gönder" dediğinde bu beceriyi kullanın.
officialweb-scrapingresearch
firecrawl-deep-research
firecrawl
Firecrawl ile çok kaynaklı derin araştırma yapın. Kullanıcı bir konuyu araştırmak, perspektifleri karşılaştırmak, kaynaklı bir brifing hazırlamak, teknik veya pazar sorusunu incelemek ya da birçok kaynaktan web kanıtlarını sentezlemek istediğinde kullanın.
officialresearchweb-scraping
firecrawl-research-papers
firecrawl
Firecrawl ile araştırma makaleleri, teknik raporlar, PDF'ler ve akademik kaynakları bulun ve sentezleyin. Kullanıcının literatür taraması, makale özeti, araştırma haritası veya PDF'ler ile akademik/endüstriyel yayınlardan kaynaklı sentez istediğinde kullanın.
officialresearchweb-scraping
firecrawl-market-research
firecrawl
Firecrawl ile pazar, finansal, kazanç, sektör ve şirket metriklerini çıkarın. Kullanıcı pazar araştırması, sektör trendleri, halka açık şirket verileri, finansal karşılaştırmalar, kazanç araştırması veya yapılandırılmış pazar raporları istediğinde kullanın.
officialresearchweb-scraping
firecrawl-website-design-clone
firecrawl
Herhangi bir web sitesinin tasarım sistemini, Firecrawl tarama kanıtlarını kullanarak ajan uyumlu bir DESIGN.md dosyasına çıkarın. Kullanıcının bir web sitesinden renkler, yazı tipleri, boşluklar, bileşenler, düzen desenleri veya marka/arayüz rehberliği istediği ve yapay zeka ajanlarının yeni web siteleri oluşturması, bir görünümü klonlaması veya bu tasarımdan ilham alarak sayfalar inşa etmesi için kullanın.
officialdesignweb-scraping
firecrawl-knowledge-base
firecrawl
Firecrawl ile web içeriğinden bir bilgi tabanı oluşturun. Yerel referans dokümanları, RAG uyumlu parçalar, ince ayar veri kümeleri, dokümantasyon yansımaları, konu derlemleri veya web kaynaklarından düzenlenmiş LLM uyumlu işaretleme metinleri için kullanın.
officialweb-scrapingresearch
firecrawl-lead-research
firecrawl
Firecrawl ile toplantı öncesi potansiyel müşteri istihbarat özetleri oluşturun. Kullanıcının bir satış görüşmesi, ortaklık toplantısı, yatırımcı konuşması veya müşteri görüşmesi öncesinde şirket araştırması, kişi araştırması, güncel haberler, konuşma noktaları, sorunlu noktalar veya iletişim hazırlığına ihtiyaç duyduğu durumlarda kullanın.
officialresearchweb-scraping