Saturs
J:
Kas ir labāks, ja AWS ir platforma vai sava datora apgūšanas algoritms?
A:
Mūsdienās daudzi uzņēmumi savā analītisko rīku komplektā integrē mašīnmācīšanās risinājumus, lai uzlabotu zīmola pārvaldību, uzlabotu klientu pieredzi un palielinātu darbības efektivitāti. Mašīnmācīšanās modeļi ir mašīnmācīšanās risinājumu galvenā sastāvdaļa. Modeļi tiek apmācīti, izmantojot matemātiskus algoritmus un lielas datu kopas, lai veiktu ticamas prognozes. Divi izplatīti prognožu piemēri ir 1) noteikt, vai finanšu darījumu kopums norāda uz krāpšanu, vai 2) novērtēt patērētāju uzskatus par produktu, pamatojoties uz sociālajos medijos apkopoto informāciju.
Amazon SageMaker ir pilnībā pārvaldīts pakalpojums, kas ļauj izstrādātājiem un datu zinātniekiem veidot, apmācīt un izvietot mašīnmācīšanās modeļus. Programmā SageMaker varat izmantot oriģinālos algoritmus vai iet ceļam pats, lai iegūtu vairāk pielāgotu risinājumu. Abas izvēles ir derīgas un vienlīdz labi kalpo par pamatu veiksmīgam mašīnmācīšanās risinājumam.
(Redaktora piezīme: citas SageMaker alternatīvas varat redzēt šeit.)
SageMaker nepieejamie algoritmi ietver populārus, ļoti optimizētus attēlu klasifikācijas, dabiskās valodas apstrādes uc piemērus. Pilns saraksts ir atrodams šeit.
- Out-of-the-Box priekšrocības: Šie algoritmi ir iepriekš optimizēti (un tiek nepārtraukti pilnveidoti). Jūs varat ātri darboties, darboties un izvietot.Turklāt ir pieejama AWS automātiskā hiperparametru meklēšana.
- Neapstrādāti apsvērumi: Iepriekš minētie pastāvīgie uzlabojumi var nedot rezultātus tik paredzami, it kā jūs būtu pilnībā kontrolējis algoritmu ieviešanu.
Ja šie algoritmi nav piemēroti jūsu projektam, jums ir trīs citas izvēles: (1) Amazon's Apache Spark Library, (2) pielāgots Python kods (kas izmanto TensorFLow vai Apache MXNet) vai (3) “nogādājiet savu” tur, kur jūs atrodaties. būtībā nav ierobežoti, taču, lai apmācītu un apkalpotu jūsu modeli, būs jāizveido Docker attēls (to var izdarīt, izmantojot instrukcijas šeit).
Pieeja "pats sev" piedāvā pilnīgu brīvību. Tas var izrādīties pievilcīgs datu zinātniekiem, kuri jau ir izveidojuši pielāgota un / vai patentēta algoritmiska koda bibliotēku, kas, iespējams, nav pārstāvēta pašreizējā ārpuskastes komplektā.
- Nodrošiniet savas priekšrocības: Ļauj pilnībā kontrolēt visu datu zinātnes cauruļvadu, kā arī izmantojot patentētu IP.
- Apsveriet savus apsvērumus: Lai apmācītu un apkalpotu iegūto modeli, nepieciešama dokkerizācija. Jūsu pienākums ir iekļaut algoritmiskus uzlabojumus.
Neatkarīgi no algoritma izvēles, SageMaker on AWS ir pieeja, kuru vērts apsvērt, ņemot vērā to, cik liela uzmanība ir pievērsta lietošanas vienkāršībai no datu zinātnes viedokļa. Ja jūs kādreiz esat mēģinājuši migrēt mašīnmācīšanās projektu no vietējās vides uz mitinātu, jūs būsiet patīkami pārsteigts, cik nemanāmi SageMaker to padara. Un, ja jūs sākat no nulles, jūs jau esat vairākus soļus tuvāk mērķim, ņemot vērā to, cik daudz jau ir jūsu rokai.