P:
Što je bolje, platforma ili algoritam strojnog učenja na AWS-u?
A:Ovih dana mnoge tvrtke integriraju rješenja za strojno učenje u svoj set alata za analitiku radi poboljšanja upravljanja brendom, poboljšanja korisničkog iskustva i povećanja operativne učinkovitosti. Modeli strojnog učenja osnovna su komponenta rješenja strojnog učenja. Modeli se obučavaju koristeći matematičke algoritme i velike skupove podataka radi pouzdanog predviđanja. Dva uobičajena primjera predviđanja su (1) utvrđivanje da li skup financijskih transakcija ukazuje na prijevaru ili (2) procjena raspoloženja potrošača oko proizvoda na temelju podataka prikupljenih s društvenih medija.
Amazon SageMaker potpuno je upravljana usluga koja omogućuje programerima i znanstvenicima podataka da grade, obučavaju i razmještaju modele strojnog učenja. U SageMakeru možete upotrebljavati algoritme koji nisu u mogućnosti da biste dobili prilagođeno rješenje. Oba izbora su valjana i podjednako služe kao osnova za uspješno rješenje strojnog učenja.
(Napomena urednika: Ovdje možete vidjeti druge alternative SageMakeru.)
Izvanmrežni algoritmi SageMaker uključuju popularne, visoko optimizirane primjere za klasifikaciju slika, prirodnu obradu jezika itd. Kompletan popis možete pronaći ovdje .
- Prednosti izvan okvira: Ovi su algoritmi unaprijed optimizirani (i stalno se poboljšavaju). Možete brzo pokrenuti i trčati i implementirati se. Uz to je na raspolaganju AWS automatsko podešavanje hiper-parametara.
- Razmatranja izvan okvira: Neprekidna poboljšanja koja su gore spomenuta možda neće proizvesti rezultate predvidivo kao da imate potpunu kontrolu nad implementacijom svojih algoritama.
Ako ovi algoritmi nisu prikladni za vaš projekt, imate tri izbora: (1) Amazonova biblioteka Apache Spark, (2) prilagođeni Python kôd (koji koristi TensorFLow ili Apache MXNet) ili (3) "dovedi svoje" tamo gdje u osnovi su neograničeni, ali morat ćete stvoriti Docker sliku kako biste uvježbali i poslužili svoj model (to možete učiniti koristeći ovdje navedene upute).
Pristup vlastitom pristupu nudi vam potpunu slobodu. To može biti privlačno za znanstvenike s podacima koji su već izgradili biblioteku prilagođenog i / ili vlasničkog algoritmičkog koda koja možda nije predstavljena u trenutnom setu izvan okvira.
- Predložite svoje prednosti: Omogućuje potpunu kontrolu nad cjelokupnim cjevovodom za znanost o podacima zajedno s upotrebom vlasničkog IP-a.
- Uzmite u obzir svoja mišljenja : Dokerizacija je potrebna za obuku i posluživanje rezultirajućeg modela. Uključivanje algoritamskih poboljšanja vaša je odgovornost.
Bez obzira na vaš izbor algoritma, SageMaker na AWS je pristup koji vrijedi razmotriti, s obzirom na to koliko je fokusiran na jednostavnost korištenja iz perspektive znanosti podataka. Ako ste ikad pokušali migrirati projekt strojnog učenja iz svog lokalnog okruženja u domaćin, bit ćete ugodno iznenađeni kako to SageMaker čini bešavnim. A ako krenete ispočetka, već ste nekoliko koraka bliže svome cilju, s obzirom na to koliko ih je već na dohvat ruke.
