Tartalom
K:
Mi jobb, ha egy platform vagy egy saját magának gépi tanulási algoritmusa van az AWS-en?
A:
Manapság sok vállalat integrálja a gépi tanulási megoldásokat elemző eszközkészletébe, hogy javítsa a márkamenedzsmentet, javítsa az ügyfelek tapasztalatait és növelje az operatív hatékonyságot. A gépi tanulási modellek képezik a gépi tanulási megoldások alapvető alkotóelemeit. A modelleket matematikai algoritmusok és nagy adatkészletek felhasználásával képezték ki a megbízható előrejelzések készítéséhez. Az előrejelzések két általános példája (1) annak meghatározása, hogy a pénzügyi tranzakciók halmaza csalást jelez-e, vagy (2) a közösségi médiából gyűjtött adatok alapján a termék körüli fogyasztói hangulat értékelése.
Az Amazon SageMaker egy teljesen kezelt szolgáltatás, amely lehetővé teszi a fejlesztőknek és az adattudósoknak gépi tanulási modellek felépítését, kiképzését és telepítését. A SageMakerben használhatja a dobozból kívüli algoritmusokat, vagy elérheti a saját magad útját egy testreszabottabb megoldáshoz. Mindkét választás érvényes, és egyaránt szolgál a sikeres gépi tanulási megoldás alapjául.
(A szerkesztő megjegyzés: A SageMaker más alternatíváit itt láthatja.)
A SageMaker beépített algoritmusai népszerű, rendkívül optimalizált példákat tartalmaznak a kép osztályozására, a természetes nyelv feldolgozására stb. A teljes lista megtalálható itt.
- A dobozon kívüli előnyök: Ezeket az algoritmusokat előzetesen optimalizálták (és folyamatos fejlesztésen mennek keresztül). Gyorsan fel lehet készülni, futni és telepíteni.Ezen felül elérhető az AWS automatikus hiperparaméter-hangolás.
- A dobozon kívüli szempontok: A fent említett folyamatos fejlesztések nem eredményeznek olyan kiszámítható eredményeket, mintha az algoritmusok végrehajtása felett teljes ellenőrzést gyakorolna.
Ha ezek az algoritmusok nem felelnek meg a projektnek, akkor három másik választási lehetősége van: (1) az Amazon Apache Spark Library, (2) egyéni Python-kód (amely a TensorFLow vagy Apache MXNet-et használja), vagy (3) „hozza meg a sajátját” oda, ahol alapvetően nem korlátozottak, de létre kell hoznia egy Docker képet a modell kiképzéséhez és kiszolgálásához (ezt megteheti az utasítások segítségével itt).
A saját magad által nyújtott megközelítés teljes szabadságot kínál Önnek. Ez vonzónak bizonyulhat azon adattudósok számára, akik már létrehoztak egy olyan egyedi és / vagy szabadalmaztatott algoritmikus kód könyvtárat, amely nem feltétlenül képviselteti magát a jelenlegi dobozkészletben.
- Hozd a saját előnyeit: Lehetővé teszi a teljes ellenőrzést a teljes adattudományi csővezeték felett, a védett tulajdonjogok használata mellett.
- Vigye magával a saját szempontjait: A kapott modell kiképzéséhez és kiszolgálásához dokkolás szükséges. Az algoritmikus fejlesztések beépítése a te felelősséged.
Függetlenül attól, hogy milyen algoritmust választott, a SageMaker on AWS egy megfontolásra érdemes megközelítés, mivel az adattudomány szempontjából mekkora figyelmet fordítottak a könnyű felhasználásra. Ha valaha is megpróbált egy gépi tanulási projektet migrálni a helyi környezetből egy házigazdára, akkor kellemesen lepni fogod, hogy a SageMaker zökkenőmentesen megvalósítja. És ha a semmiből indul, akkor már néhány lépéssel közelebb van a célhoz, figyelembe véve, hogy mennyi már kéznél van.