K:
Mikä on parempaa, alusta tai oma koneoppimisalgoritmi AWS: llä?
V:Nykyään monet yritykset integroivat koneoppimisratkaisuja analytiikkatyökalusarjaan brändinhallinnan parantamiseksi, asiakaskokemuksen parantamiseksi ja toiminnan tehostamiseksi. Koneoppimallit ovat koneoppimisratkaisujen ydinosa. Malleja koulutetaan matemaattisten algoritmien ja suurten tietojoukkojen avulla luotettavien ennusteiden tekemiseksi. Kaksi yleistä esimerkkiä ennusteista on (1) määrittäminen, osoittaako finanssitapahtumien joukko petosta, tai (2) arvioidaan kuluttajien mielipiteitä tuotteen ympärillä sosiaalisesta mediasta kerätyn tiedon perusteella.
Amazon SageMaker on täysin hallittu palvelu, jonka avulla kehittäjät ja tietotieteilijät voivat rakentaa, kouluttaa ja ottaa käyttöön koneoppimismalleja. SageMakerissa voit käyttää out-of-the-box-algoritmeja tai siirtyä omaan polkuun räätälöityä ratkaisua varten. Molemmat valinnat ovat päteviä ja toimivat yhtä hyvin perustana onnistuneelle koneoppimisratkaisulle.
(Toimittajan huomautus: Voit nähdä muita vaihtoehtoja SageMakerille täältä.)
SageMakerin out-of-the-box-algoritmeihin sisältyy suosittuja, erittäin optimoituja esimerkkejä kuvan luokittelusta, luonnollisesta kielenkäsittelystä jne. Täydellinen luettelo löytyy täältä .
- Out-of-the-Box-edut: Nämä algoritmit on optimoitu etukäteen (ja niitä parannetaan jatkuvasti). Voit olla nousussa, käynnissä ja ottaa käyttöön nopeasti. Lisäksi AWS-automaattinen hyperparametrien viritys on käytettävissä.
- Laatikon ulkopuoliset näkökohdat: Edellä mainitut jatkuvat parannukset eivät välttämättä anna tuloksia niin ennustettavasti kuin jos sinulla olisi täysi hallinta algoritmien toteuttamisen kanssa.
Jos nämä algoritmit eivät sovellu projektiisi, sinulla on kolme muuta vaihtoehtoa: (1) Amazonin Apache Spark Library, (2) mukautettu Python-koodi (joka käyttää TensorFLow tai Apache MXNet) tai (3) “tuo oma” missä olet ovat pääosin rajoittamattomia, mutta heidän on luotava Docker-kuva mallin kouluttamiseksi ja palvelemiseksi (voit tehdä niin täällä olevien ohjeiden avulla).
Tuo oma-lähestymistapa tarjoaa sinulle täydellisen vapauden. Tämä voi osoittautua houkuttelevaksi tiedemiehille, jotka ovat jo rakentaneet räätälöityjen ja / tai patentoitujen algoritmisten koodien kirjaston, jota ei ehkä ole edustettu nykyisessä laatikon ulkopuolella.
- Tuo omat edut: Mahdollistaa täydellisen hallinnan koko tietojenkäsittelytieteen putkilinjalle samoin kuin omistusoikeuden alaisen käytön.
- Ota huomioon omat näkökohdat: Tuloksena olevan mallin kouluttamiseksi ja palvelemiseksi tarvitaan dokkerisointi. Algoritmisten parannusten sisällyttäminen ovat sinun vastuullasi.
Algoritmivalinnastasi riippumatta, SageMaker on AWS on harkitsemisen arvoinen lähestymistapa, kun otetaan huomioon, kuinka paljon painetta on helppokäyttöisyyteen datatieteen näkökulmasta katsottuna. Jos olet joskus yrittänyt siirtää koneoppimisprojektin paikallisesta ympäristöstä isännöityyn, sinun tulee olla iloisesti yllättynyt siitä, kuinka saumaton SageMaker tekee siitä. Ja jos aloitat tyhjästä, olet jo useita askeleita lähempänä tavoitettasi, kun otetaan huomioon, kuinka paljon on jo hyppysissäsi.
