Περιεχόμενο
Ερ:
Τι είναι καλύτερο, μια πλατφόρμα ή ένα δικό σας αλγόριθμο εκμάθησης μηχανών στο AWS;
ΕΝΑ:
Αυτές τις μέρες, πολλές εταιρείες ενσωματώνουν τις λύσεις μηχανικής μάθησης στο εργαλείο αναλυτικών εργαλείων τους, ώστε να βελτιώσουν τη διαχείριση της μάρκας, να βελτιώσουν την εμπειρία των πελατών και να αυξήσουν την αποτελεσματικότητα της επιχείρησης. Τα μοντέλα μηχανικής μάθησης αποτελούν το βασικό συστατικό των λύσεων μηχανικής μάθησης. Τα μοντέλα εκπαιδεύονται χρησιμοποιώντας μαθηματικούς αλγόριθμους και μεγάλα σύνολα δεδομένων για να κάνουν αξιόπιστες προβλέψεις. Δύο κοινά παραδείγματα προβλέψεων είναι (1) ο καθορισμός εάν μια σειρά χρηματοπιστωτικών συναλλαγών υποδεικνύει απάτη ή (2) την αξιολόγηση του καταναλωτικού κλίματος γύρω από ένα προϊόν, με βάση τις εισροές που συλλέγονται από τα κοινωνικά μέσα.
Το Amazon SageMaker είναι μια πλήρως διαχειριζόμενη υπηρεσία που επιτρέπει στους προγραμματιστές και τους επιστήμονες δεδομένων να δημιουργούν, να εκπαιδεύουν και να αναπτύσσουν μοντέλα μηχανικής μάθησης. Στο SageMaker, μπορείτε να χρησιμοποιήσετε αλγορίθμους εκτός πλαισίου ή να προχωρήσετε με το δικό σας μονοπάτι για μια πιο προσαρμοσμένη λύση. Και οι δύο επιλογές είναι έγκυρες και εξυπηρετούν εξίσου καλά ως βάση για μια επιτυχημένη λύση μηχανικής μάθησης.
(Σημείωση του συντάκτη: Μπορείτε να δείτε άλλες εναλλακτικές λύσεις στο SageMaker εδώ.)
Οι αλγόριθμοι εκτός πλαισίου του SageMaker περιλαμβάνουν δημοφιλείς, εξαιρετικά βελτιστοποιημένα παραδείγματα για ταξινόμηση εικόνων, επεξεργασία φυσικής γλώσσας κλπ. Ο πλήρης κατάλογος μπορεί να βρεθεί εδώ.
- Έξω από το κουτί Πλεονεκτήματα: Αυτοί οι αλγόριθμοι έχουν προ-βελτιστοποιηθεί (και υπόκεινται σε συνεχή βελτίωση). Μπορείτε να είστε επάνω, να τρέχετε και να αναπτύσσετε γρήγορα.Επιπλέον, είναι διαθέσιμη η αυτόματη ρύθμιση υπερ-παραμέτρων AWS.
- Εξαιρούνται από το κουτί: Οι συνεχείς βελτιώσεις που αναφέρθηκαν παραπάνω ενδέχεται να μην παράγουν αποτελέσματα με προβλέψιμο τρόπο, σαν να είχατε πλήρη έλεγχο στην εφαρμογή των αλγορίθμων σας.
Εάν αυτοί οι αλγόριθμοι δεν είναι κατάλληλοι για το έργο σας, έχετε τρεις άλλες επιλογές: (1) Apache Spark Library Amazon, (2) προσαρμοσμένο κώδικα Python (που χρησιμοποιεί TensorFLow ή Apache MXNet) ή (3) είναι ουσιαστικά χωρίς περιορισμούς, αλλά θα χρειαστεί να δημιουργήσετε μια εικόνα Docker για να εκπαιδεύσετε και να εξυπηρετήσετε το μοντέλο σας (μπορείτε να το κάνετε χρησιμοποιώντας τις οδηγίες εδώ).
Η προσέγγιση "bring-your-own" σας προσφέρει πλήρη ελευθερία. Αυτό μπορεί να αποδειχθεί ελκυστικό για τους επιστήμονες δεδομένων που έχουν ήδη δημιουργήσει μια βιβλιοθήκη προσαρμοσμένου και / ή ιδιόκτητου αλγοριθμικού κώδικα ο οποίος μπορεί να μην αντιπροσωπεύεται στο τρέχον σύνολο εκτός πλαισίου.
- Προσφέρετε τα δικά σας πλεονεκτήματα: Επιτρέπει τον πλήρη έλεγχο ολόκληρου του αγωγού δεδομένων επιστήμης δεδομένων μαζί με τη χρήση ιδιόκτητου IP.
- Φέρτε τα δικά σας σχόλια: Απαιτείται αποβάθρα για την εκπαίδευση και εξυπηρέτηση του προκύπτοντος μοντέλου. Η ενσωμάτωση αλγοριθμικών βελτιώσεων είναι δική σας ευθύνη.
Ανεξάρτητα από την επιλογή του αλγορίθμου, το SageMaker για το AWS είναι μια προσέγγιση που αξίζει να εξεταστεί, δεδομένου του πόση εστίαση έχει δοθεί στην ευκολία χρήσης από την άποψη της επιστήμης των δεδομένων. Αν έχετε προσπαθήσει ποτέ να μεταναστεύσετε ένα πρόγραμμα εκμάθησης μηχανών από το τοπικό σας περιβάλλον σε ένα φιλοξενούμενο, θα εκπλαγείτε ευχάριστα από το πόσο απρόσκοπτη είναι η SageMaker. Και αν ξεκινάτε από το μηδέν, είστε ήδη μερικά βήματα πιο κοντά στον στόχο σας, δεδομένου πόσο είναι ήδη στα χέρια σας.