Q:
Čo je lepšie, platforma alebo algoritmus strojového učenia si na AWS?
A:V dnešnej dobe mnoho spoločností integruje 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 spravovaná služba, ktorá umožňuje vývojárom a vedcom údajov vytvárať, školiť a zavádzať modely strojového učenia. V aplikácii SageMaker môžete použiť algoritmy už pripravené na použitie alebo ísť na cestu, ktorá vám umožní prispôsobiť si riešenie 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 programu SageMaker zahŕňajú populárne, vysoko optimalizované príklady klasifikácie obrázkov, spracovania prirodzeného jazyka atď. Kompletný zoznam nájdete tu .
- Výhody, ktoré nie sú v balení: Tieto algoritmy boli predbežne optimalizované (a prechádzajú neustálym zlepšovaním). Môžete byť v pohotovosti, v prevádzke a nasadení rýchlo. Navyše je k dispozícii automatické ladenie hyperparameterov AWS.
- Neoprávnené úvahy: Vyššie uvedené neustále zlepšovania 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 používaním autorizovaných IP.
- Prineste si svoje 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 hostovaného, budete príjemne prekvapení, ako bezproblémový to robí SageMaker. A ak začínate od nuly, ste už o niekoľko krokov bližšie k svojmu cieľu, vzhľadom na to, koľko už máte na dosah ruky.
