P:
Què és millor, una plataforma o un algorisme d’aprenentatge de màquines pròpia a AWS?
R:Actualment, moltes empreses integren solucions d’aprenentatge automàtic en el seu conjunt d’eines d’analítica per millorar la gestió de la marca, millorar l’experiència del client i augmentar l’eficiència operativa. Els models d'aprenentatge automàtic són el component principal de les solucions d'aprenentatge automàtic. Els models s’entrenen utilitzant algoritmes matemàtics i grans conjunts de dades per fer prediccions fiables. Dos exemples habituals de prediccions són (1) determinar si un conjunt de transaccions financeres indiquen un frau o (2) avaluar el sentiment del consumidor al voltant d’un producte, en base a l’entrada recopilada a les xarxes socials.
Amazon SageMaker és un servei completament gestionat que permet als desenvolupadors i científics de dades construir, formar i desplegar models d'aprenentatge de màquines. A SageMaker, podeu utilitzar algoritmes fora de caixa o optar pel camí propi per obtenir una solució més personalitzada. Ambdues opcions són vàlides i serveixen igualment com a base per tenir una solució exitosa d'aprenentatge automàtic.
(Nota de l'editor: podeu veure altres alternatives a SageMaker aquí.)
Els algorismes fora de caixa de SageMaker inclouen exemples populars i molt optimitzats per a la classificació d’imatges, el processament del llenguatge natural, etc. La llista completa es troba aquí .
- Avantatges fora de la caixa: Aquests algoritmes s’han optimitzat prèviament (i es troben en millora contínua). Podeu estar en marxa, executar i desplegar-vos ràpidament. A més, està disponible l’afinació automàtica d’hiperà paràmetres AWS.
- Consideracions excepcionals: Les millores contínues esmentades anteriorment poden produir resultats tan previsiblement com si tinguessis un control complet sobre la implementació dels vostres algorismes.
Si aquests algoritmes no són adequats per al vostre projecte, teniu tres opcions més importants: (1) la Biblioteca Apache Spark d'Amazon, (2) codi Python personalitzat (que utilitza TensorFLow o Apache MXNet) o (3) "porteu el vostre" allà on essencialment no tenen restriccions, però caldrà crear una imatge Docker per entrenar i servir el vostre model (podeu fer-ho mitjançant les instruccions aquí ).
El plantejament propi us ofereix tota la llibertat. Això pot resultar atractiu per als científics de dades que ja han creat una biblioteca de codi algorítmic personalitzat i / o propietari que pot no estar representat al conjunt fora de caixa.
- Avantatges Bring-Your-Own: Permet un control complet sobre tot el pipeline de ciències de dades juntament amb l’ús de la propietat IP.
- Consideracions pròpies: cal dur la documentació per entrenar i servir el model resultant. Incorporar millores algorítmiques és responsabilitat vostra.
Independentment de la vostra opció d’algorisme, SageMaker en AWS és un enfocament digne de tenir en compte, ja que s’ha centrat la seva facilitat d’ús des de la perspectiva de la ciència de dades. Si alguna vegada heu intentat migrar un projecte d'aprenentatge de màquines des de l'entorn local a un allotjament, us sorprendrà gratament com és el que SageMaker aconsegueix. I si esteu començant de zero, ja esteu a diversos passos més a prop del vostre objectiu, tenint en compte la quantitat que ja teniu al vostre abast.
