Ray
RISELab na UC Berkeley, 2017 — obliczenia rozproszone dla Pythona, głównie pod ML. Skomercjalizowane jako Anyscale.
Rdzeń: dekorator @ray.remote robi z funkcji lub klasy byt rozproszony. Model oparty na aktorach (ze stanem) albo zadaniach (bezstanowych). Biblioteki na wierzchu: Ray Tune (strojenie hiperparametrów), Ray Serve (serwowanie modeli), Ray Train (trening rozproszony), Ray RLlib (uczenie ze wzmocnieniem).
Napędza m.in. trening ChatGPT (OpenAI), Cohere i wiele startupów LLM. Najlepsze zastosowanie: skalowanie istniejącego kodu Pythona na klaster bez przepisywania go na Sparka czy Daska.