K:
Miksi suorittaa koneoppimiskoulutusta (ML) paikallisella koneella ja suorittaa säännöllinen suorittaminen palvelimella?
V:Kysymyksellä siitä, miten koneoppimisprojekti ja sen koulutus- ja testivaiheet järjestetään, on paljon tekemistä sen kanssa, miten siirrymme ML: n “elinkaaren” läpi ja tuomme ohjelman koulutusympäristöstä tuotantoympäristöön.
Yksi yksinkertaisimmista syistä käyttää yllä olevaa mallia siirtää ML-koulutus paikalliselle koneelle ja siirtää sitten suorittaminen palvelinpohjaiseen järjestelmään on välttämätön tehtävien erottaminen. Yleensä haluat, että harjoitusjoukot ovat eristettyjä, jotta sinulla olisi selkeä kuva siitä, missä harjoittelu alkaa ja loppuu ja missä testaus alkaa. Tämä KDNuggets-artikkeli puhuu periaatteesta karkealla tavalla samalla kun käy läpi myös joitain muita syitä eristää koulutusjoukot paikallisesta koneesta. Yksi toinen tämän mallin perusarvoehdotus on, että hyvin erilaisissa arkkitehtuureissa olevien koulutus- ja testijoukkojen avulla et koskaan sekoiteta junan / testin yhteisestä jakamisesta!
Toinen mielenkiintoinen etu liittyy kyberturvallisuuteen. Asiantuntijat huomauttavat, että jos sinulla on ensimmäiset junaprosessit paikallisella koneella, sen ei tarvitse olla yhteydessä Internetiin! Tämä laajentaa tietoturvaa perustavanlaatuisella tavalla, "inkuboimalla" prosessia, kunnes se osuu tuotantomaailmaan, missä sinun on sitten rakennettava riittävä suojaus palvelinmalliin.
Lisäksi jotkut näistä "eristetyistä" malleista voivat auttaa sellaisissa ongelmissa kuin konseptin siirtyminen ja piilotetut tilanteet - "ei-stationaarisuuden" periaate varoittaa kehittäjiä siitä, että tiedot eivät "pysy samana" ajan kuluessa (mitattavasta riippuen) ja että testivaiheen saattaminen vastaamaan junavaihetta voi viedä paljon mukautumiskykyä. Tai joissain tapauksissa juna- ja testiprosessit sulautuvat yhteen, aiheuttaen sekaannusta.
Testivaiheen käyttöönotto palvelimella ensimmäistä kertaa voi helpottaa erilaisia ”musta laatikko” -malleja, joissa korjaat tiedon mukautuvuuden ongelman. Joissakin tapauksissa se poistaa tarpeettoman prosessin, jossa muutosmääräykset asetetaan useille alustoille.
Sitten myös palvelinympäristö palvelee ilmeisesti reaaliaikaisia tai dynaamisia prosesseja, joissa insinöörit haluavat käyttää tiedonsiirto- ja koodimalleja, jotka toimivat parhaiten ML: n tuotannossa. Esimerkiksi AWS Lambda voi olla houkutteleva vaihtoehto tuotannon mikrotoimintojen käsittelemiseksi (tai Lambdan ja S3-esineiden tallennuksen yhdistelmäksi) ja ilman yhteyksiä (ilman palvelinta), josta tulee mahdotonta.
Nämä ovat joitain asioita, joita kehittäjät voivat ajatella harkitseessaan ML-vaiheiden osittaista jakamista testauksesta ja tuotannosta.
