المحتوى
Q:
ما هو أفضل ، منصة أو خوارزمية التعلم آلة إحضار الخاصة بك على AWS؟
أ:
في هذه الأيام ، تقوم العديد من الشركات بدمج حلول التعلم الآلي في مجموعة أدوات التحليل الخاصة بها لتحسين إدارة العلامة التجارية ، وتحسين تجربة العملاء وزيادة الكفاءة التشغيلية. نماذج التعلم الآلي هي المكون الأساسي لحلول التعلم الآلي. يتم تدريب النماذج باستخدام الخوارزميات الرياضية ومجموعات البيانات الكبيرة لعمل تنبؤات موثوقة. يوجد مثالان شائعان للتنبؤات هما: (1) تحديد ما إذا كانت مجموعة من المعاملات المالية تشير إلى الاحتيال أو (2) تقييم معنويات المستهلك حول منتج ما ، استنادًا إلى المدخلات التي تم جمعها من وسائل التواصل الاجتماعي.
Amazon SageMaker هي خدمة مُدارة بالكامل تتيح للمطورين وعلماء البيانات بناء نماذج تعلم الآلة وتدريبها ونشرها. في SageMaker ، يمكنك استخدام خوارزميات خارج الصندوق أو الانتقال إلى المسار الخاص بك للحصول على حل أكثر تخصيصًا. كلا الخيارين صالح ويخدم بشكل متساوٍ كأساس لحل ناجح للتعلم الآلي.
(ملاحظة المحرر: يمكنك رؤية بدائل أخرى لـ SageMaker هنا.)
تشتمل خوارزميات SageMaker الخارجية على أمثلة شهيرة ومحسّنة للغاية لتصنيف الصور ومعالجة اللغة الطبيعية وما إلى ذلك. يمكن العثور على القائمة الكاملة هنا.
- مزايا خارج الصندوق: تم تحسين هذه الخوارزميات مسبقًا (وتخضع للتحسين المستمر). يمكنك أن تكون قيد التشغيل ، ونشرها بسرعة.بالإضافة إلى ذلك ، يتوفر ضبط AWS التلقائي للمعلمات الفائقة.
- اعتبارات خارج الصندوق: قد لا تؤدي التحسينات المستمرة المذكورة أعلاه إلى نتائج كما هو متوقع كما لو كان لديك سيطرة كاملة على تنفيذ الخوارزميات الخاصة بك.
إذا لم تكن هذه الخوارزميات مناسبة لمشروعك ، فلديك ثلاثة خيارات أخرى: (1) مكتبة Apache Spark Library من Amazon ، (2) رمز Python المخصص (الذي يستخدم TensorFLow أو Apache MXNet) أو (3) "إحضار الخاصة بك" حيث يمكنك غير مقيدة بشكل أساسي ، ولكنها ستحتاج إلى إنشاء صورة Docker لتدريب النموذج الخاص بك وتقديمه (يمكنك القيام بذلك باستخدام الإرشادات هنا).
يوفر لك أسلوب إحضار الحرية الكاملة. قد يكون هذا جذابًا لعلماء البيانات الذين قاموا بالفعل ببناء مكتبة من الشفرة الخوارزمية المخصصة و / أو الملكية التي قد لا تكون ممثلة في مجموعة خارج الصندوق الحالية.
- إحضار المزايا الخاصة بك: يتيح السيطرة الكاملة على خط أنابيب علم البيانات بأكمله مع استخدام الملكية الفكرية الملكية.
- إحضار الاعتبارات الخاصة بك: الإرساء مطلوب لتدريب وخدمة النموذج الناتج. دمج التحسينات الحسابية هي مسؤوليتك.
بغض النظر عن اختيارك للخوارزمية ، SageMaker على AWS هو نهج يستحق النظر ، بالنظر إلى مقدار التركيز الذي تم وضعه على سهولة الاستخدام من منظور علم البيانات. إذا كنت قد حاولت يومًا ترحيل مشروع للتعلم الآلي من بيئتك المحلية إلى مشروع مستضاف ، فسوف تفاجأ بسرور بكيفية قيام SageMaker بسلاسة. وإذا كنت تبدأ من نقطة الصفر ، فأنت بالفعل على بعد خطوات عديدة من تحقيق هدفك ، بالنظر إلى كم هو في متناول يدك بالفعل.