เนื้อหา
Q:
มีอะไรดีไปกว่าแพลตฟอร์มหรืออัลกอริทึมการเรียนรู้ด้วยตัวเองบน AWS?
A:
ทุกวันนี้หลาย บริษัท รวมโซลูชันการเรียนรู้ของเครื่องไว้ในชุดเครื่องมือวิเคราะห์เพื่อปรับปรุงการจัดการแบรนด์ปรับปรุงประสบการณ์ของลูกค้าและเพิ่มประสิทธิภาพการดำเนินงาน โมเดลการเรียนรู้ของเครื่องเป็นองค์ประกอบหลักของโซลูชั่นการเรียนรู้ของเครื่อง แบบจำลองได้รับการฝึกอบรมโดยใช้อัลกอริธึมทางคณิตศาสตร์และชุดข้อมูลขนาดใหญ่เพื่อการคาดการณ์ที่เชื่อถือได้ สองตัวอย่างทั่วไปของการคาดการณ์คือ (1) การพิจารณาว่าชุดธุรกรรมทางการเงินบ่งชี้ว่ามีการทุจริตหรือ (2) ประเมินความเชื่อมั่นของผู้บริโภครอบ ๆ ผลิตภัณฑ์โดยอิงจากข้อมูลที่รวบรวมจากโซเชียลมีเดีย
Amazon SageMaker เป็นบริการที่มีการจัดการอย่างสมบูรณ์ซึ่งช่วยให้นักพัฒนาและนักวิทยาศาสตร์ด้านข้อมูลสร้างฝึกอบรมและปรับใช้โมเดลการเรียนรู้ของเครื่อง ใน SageMaker คุณสามารถใช้อัลกอริธึมนอกกรอบหรือไปตามเส้นทางของคุณเองเพื่อหาโซลูชันที่ปรับแต่งเองได้มากขึ้น ตัวเลือกทั้งสองนั้นใช้ได้และให้บริการอย่างเท่าเทียมกันเป็นพื้นฐานสำหรับโซลูชันการเรียนรู้ของเครื่องที่ประสบความสำเร็จ
(หมายเหตุจากบรรณาธิการ: คุณสามารถดูทางเลือกอื่น ๆ ของ SageMaker ได้ที่นี่)
อัลกอริธึมที่ไม่เหมือนใครของ SageMaker ประกอบด้วยตัวอย่างที่ได้รับความนิยมและได้รับการปรับให้เหมาะสมที่สุดสำหรับการจัดประเภทภาพการประมวลผลภาษาธรรมชาติ ฯลฯ รายการทั้งหมดสามารถพบได้ ที่นี่.
- ข้อดีนอกกรอบ: อัลกอริทึมเหล่านี้ได้รับการปรับแต่งล่วงหน้า (และอยู่ระหว่างการปรับปรุงอย่างต่อเนื่อง) คุณสามารถใช้งานและใช้งานได้อย่างรวดเร็วนอกจากนี้ยังมีการปรับจูนพารามิเตอร์อัตโนมัติแบบ AWS อีกด้วย
- ข้อควรพิจารณานอกกรอบ: การปรับปรุงอย่างต่อเนื่องที่กล่าวถึงข้างต้นอาจไม่ได้ผลลัพธ์อย่างที่คาดการณ์ไว้ราวกับว่าคุณได้ควบคุมการใช้อัลกอริทึมของคุณอย่างสมบูรณ์
หากอัลกอริทึมเหล่านี้ไม่เหมาะกับโครงการของคุณคุณมีสามตัวเลือกอื่น ๆ : (1) Apache Spark Library ของ Amazon, (2) รหัส Python ที่กำหนดเอง (ที่ใช้ TensorFLow หรือ Apache MXNet) หรือ (3)“ นำของคุณมาเอง” โดยพื้นฐานแล้วไม่มีข้อ จำกัด แต่จะต้องสร้างอิมเมจ Docker เพื่อฝึกฝนและให้บริการโมเดลของคุณ (คุณสามารถทำได้โดยใช้คำแนะนำ ที่นี่).
แนวทางการพัฒนาตนเองให้อิสระอย่างเต็มที่ สิ่งนี้อาจพิสูจน์ได้ว่าน่าสนใจสำหรับนักวิทยาศาสตร์ข้อมูลที่ได้สร้างไลบรารีของโค้ดอัลกอริทึมที่กำหนดเองและ / หรือเป็นกรรมสิทธิ์ซึ่งอาจไม่ได้แสดงอยู่ในชุดนอกปัจจุบันในปัจจุบัน
- นำข้อดีของคุณมาเอง: เปิดใช้งานการควบคุมที่สมบูรณ์ของระบบข้อมูลวิทยาศาสตร์ทั้งหมดพร้อมกับการใช้ IP ที่เป็นกรรมสิทธิ์
- ข้อควรพิจารณานำของคุณเอง: การเชื่อมต่อจะต้องใช้ในการฝึกอบรมและให้บริการแบบจำลองที่เกิดขึ้น การปรับปรุงการรวมอัลกอริทึมเป็นความรับผิดชอบของคุณ
โดยไม่คำนึงถึงตัวเลือกอัลกอริทึมของคุณ SageMaker บน AWS เป็นวิธีที่ควรค่าแก่การพิจารณาเนื่องจากให้ความสำคัญกับการใช้งานที่ง่ายมากจากมุมมองด้านข้อมูล หากคุณเคยพยายามโยกย้ายโครงการการเรียนรู้ของเครื่องจากสภาพแวดล้อมท้องถิ่นของคุณไปยังโฮสต์ที่จัดไว้คุณจะต้องประหลาดใจอย่างน่ายินดีที่ SageMaker ทำงานได้อย่างราบรื่น และหากคุณเริ่มต้นจากศูนย์คุณจะเข้าใกล้เป้าหมายหลายขั้นตอนแล้วเพราะใกล้ถึงเพียงปลายนิ้ว