Obsah
Q:
Čo je lepšie, platforma alebo algoritmus strojového učenia si na AWS?
A:
V dnešnej dobe mnohé spoločnosti integrujú riešenia strojového učenia do svojich analytických nástrojov na zlepšenie riadenia značky, zlepšenie zákazníckych skúseností a zvýšenie prevádzkovej efektívnosti. Modely strojového učenia sú základnou súčasťou riešení strojového učenia. Modely sú trénované pomocou matematických algoritmov a veľkých súborov údajov, aby bolo možné spoľahlivo predpovedať. Dva bežné príklady predpovedí sú (1) určovanie, či súbor finančných transakcií naznačuje podvod alebo (2) posudzovanie sentimentu spotrebiteľa v súvislosti s produktom na základe vstupov získaných zo sociálnych médií.
Amazon SageMaker je plne riadená služba, ktorá umožňuje vývojárom a vedcom údajov vytvárať, školiť a zavádzať modely strojového učenia. V aplikácii SageMaker môžete použiť algoritmy, ktoré nie sú v krabici, alebo si môžete prispôsobiť cestu podľa vlastných predstáv. Obe voľby sú platné a slúžia rovnako ako základ pre úspešné riešenie strojového učenia.
(Poznámka editora: Tu nájdete ďalšie alternatívy k SageMaker.)
Neobvyklé algoritmy SageMaker zahŕňajú populárne, vysoko optimalizované príklady klasifikácie obrázkov, spracovania prirodzeného jazyka atď. Celý zoznam nájdete tu.
- Výhody, ktoré nie sú v balení: Tieto algoritmy boli vopred optimalizované (a prechádzajú neustálym zlepšovaním). Môžete byť v pohotovosti, v prevádzke a nasadení rýchlo.Navyše je k dispozícii automatické ladenie hyperparameterov AWS.
- Neoprávnené úvahy: Neustále zlepšenia uvedené vyššie nemusia priniesť výsledky tak predvídateľné, ako keby ste mali úplnú kontrolu nad implementáciou svojich algoritmov.
Ak tieto algoritmy nie sú vhodné pre váš projekt, máte tri ďalšie možnosti: (1) Amazon Apache Spark Library, (2) vlastný Python kód (ktorý používa TensorFLow alebo Apache MXNet) alebo (3) „prineste si vlastný“ tam, kde ste sú v podstate neobmedzené, ale bude potrebné vytvoriť obraz Docker, aby ste mohli trénovať a obsluhovať svoj model (môžete tak urobiť pomocou pokynov tu).
Prineste si vlastný prístup vám ponúka úplnú slobodu. To sa môže ukázať ako atraktívne pre vedcov údajov, ktorí už vytvorili knižnicu vlastného a / alebo patentovaného algoritmického kódu, ktorý nemusí byť zastúpený v aktuálnej súprave mimo poľa.
- Prineste si svoje výhody: Umožňuje úplnú kontrolu nad celým plynovodom vedy o údajoch spolu s využívaním autorizovaných IP.
- Prineste si vlastné úvahy: Na trénovanie a obsluhu výsledného modelu sa vyžaduje dokovacia stanica. Za implementáciu algoritmických vylepšení ste zodpovední.
Bez ohľadu na výber vášho algoritmu je SageMaker na AWS prístupom, ktorý stojí za zváženie, vzhľadom na to, aký dôraz sa kladie na ľahké použitie z hľadiska dátovej vedy. Ak ste sa niekedy pokúsili migrovať projekt strojového učenia z miestneho prostredia do hosťovaného, budete príjemne prekvapení, ako bezproblémový je SageMaker. A ak začínate od nuly, ste už o niekoľko krokov bližšie k svojmu cieľu vzhľadom na to, koľko už máte na dosah ruky.