Ray vs Dask

💡 Dask DataFrame est conçu comme un Pandas distribué avec une API quasi-identique. Ray Data existe mais demande plus d'adaptation du code Pandas existant.

💡 Ray Train, Tune et Serve sont les standards pour l'entraînement distribué et le serving ML. Dask-ML existe mais est moins complet et moins activement maintenu.

💡 Dask minimise le refactoring : souvent, remplacer `import pandas` par `import dask.dataframe` suffit. Ray demande une refonte plus profonde du code.

💡 Ray Serve est une solution complète pour déployer des modèles en production avec du batching dynamique. Dask n'a pas d'équivalent natif.

💡 Ray Core pour la parallélisation de tâches arbitraires est très performant. Dask Delayed existe mais Ray offre plus de contrôle sur le scheduling et la gestion des ressources.

💡 Les deux ont une documentation solide. Dask bénéficie d'une communauté scientifique (Numpy, Pandas, Xarray). Ray est très actif grâce à son écosystème ML/IA.