P:
Co jest lepsze, platforma lub algorytm uczenia maszynowego „przynieś swój własny” w AWS?
ZA:Obecnie wiele firm integruje rozwiązania uczenia maszynowego ze swoim zestawem narzędzi analitycznych, aby usprawnić zarządzanie marką, poprawić jakość obsługi klienta i zwiększyć wydajność operacyjną. Modele uczenia maszynowego są podstawowym składnikiem rozwiązań uczenia maszynowego. Modele są szkolone przy użyciu algorytmów matematycznych i dużych zestawów danych w celu uzyskania wiarygodnych prognoz. Dwa typowe przykłady prognoz to (1) ustalenie, czy zestaw transakcji finansowych wskazuje na oszustwo lub (2) ocena nastrojów konsumentów wokół produktu, na podstawie danych zebranych z mediów społecznościowych.
Amazon SageMaker to w pełni zarządzana usługa, która umożliwia programistom i naukowcom danych tworzenie, szkolenie i wdrażanie modeli uczenia maszynowego. W SageMaker możesz używać gotowych algorytmów lub przejść własną ścieżką w celu uzyskania bardziej spersonalizowanego rozwiązania. Oba wybory są ważne i służą równie dobrze jako podstawa udanego rozwiązania uczenia maszynowego.
(Nota redaktora: Tutaj możesz zobaczyć inne alternatywy dla SageMaker.)
Do gotowych algorytmów SageMaker należą popularne, wysoce zoptymalizowane przykłady klasyfikacji obrazów, przetwarzania języka naturalnego itp. Pełna lista znajduje się tutaj .
- Zalety gotowych produktów : Algorytmy te zostały wstępnie zoptymalizowane (i podlegają ciągłej poprawie). Możesz szybko uruchomić, uruchomić i wdrożyć. Ponadto dostępne jest automatyczne dostrajanie hiperparametrów AWS.
- Rozważania „od razu po wyjęciu z pudełka”: Ciągłe ulepszenia wspomniane powyżej mogą nie dawać wyników tak przewidywalnych, jakbyś miał pełną kontrolę nad implementacją swoich algorytmów.
Jeśli te algorytmy nie są odpowiednie dla twojego projektu, masz trzy inne możliwości: (1) Amazonska biblioteka Apache Spark, (2) niestandardowy kod Python (który używa TensorFLow lub Apache MXNet) lub (3) „weź swój” tam, gdzie są zasadniczo nieograniczone, ale będą musiały utworzyć obraz Dockera, aby trenować i obsługiwać swój model (możesz to zrobić, postępując zgodnie z instrukcjami tutaj ).
Podejście „weź ze sobą” oferuje pełną swobodę. Może to okazać się atrakcyjne dla badaczy danych, którzy już zbudowali bibliotekę niestandardowego i / lub zastrzeżonego kodu algorytmicznego, który może nie być reprezentowany w bieżącym gotowym zestawie.
- Wykorzystaj własne zalety: Umożliwia pełną kontrolę nad całym procesem analizy danych wraz z wykorzystaniem zastrzeżonego adresu IP.
- Weź ze sobą własne uwagi: Dokowanie jest wymagane do szkolenia i obsługi wynikowego modelu. Wprowadzanie ulepszeń algorytmicznych jest Twoim obowiązkiem.
Bez względu na wybór algorytmu, SageMaker na AWS jest podejściem wartym rozważenia, biorąc pod uwagę, jak duży nacisk położono na łatwość użycia z perspektywy nauki danych. Jeśli kiedykolwiek próbowałeś przeprowadzić migrację projektu uczenia maszynowego ze środowiska lokalnego do hostowanego, będziesz mile zaskoczony, jak sprawnie działa SageMaker. A jeśli zaczynasz od zera, jesteś już o kilka kroków bliżej celu, biorąc pod uwagę, ile już masz na wyciągnięcie ręki.
