Зміст
Q:
Що краще, платформа чи власний алгоритм машинного навчання на AWS?
A:
У наші дні багато компаній інтегрують рішення машинного навчання в свій набір інструментів аналітики для покращення управління брендом, поліпшення досвіду роботи з клієнтами та підвищення ефективності роботи. Моделі машинного навчання - це основна складова рішень машинного навчання. Моделі навчаються за допомогою математичних алгоритмів та великих наборів даних, щоб робити достовірні прогнози. Два поширені приклади прогнозів - це (1) визначення, чи сукупність фінансових операцій вказує на шахрайство, або (2) оцінка настроїв споживачів навколо товару на основі даних, зібраних із соціальних медіа.
Amazon SageMaker - це повністю керований сервіс, який дозволяє розробникам та науковцям даних будувати, навчати та розгортати моделі машинного навчання. У SageMaker ви можете використовувати нестандартні алгоритми або пройти шлях виведення власного власного рішення для більш налаштованого рішення. Обидва варіанти є дійсними і служать однаковою мірою як основа для успішного рішення машинного навчання.
(Примітка редактора. Ви можете побачити інші альтернативи SageMaker тут.)
Вичерпні алгоритми SageMaker включають популярні, оптимізовані приклади для класифікації зображень, природну обробку мови тощо. Повний список можна знайти тут.
- Переваги поза коробкою: Ці алгоритми були попередньо оптимізовані (і постійно зазнають вдосконалення). Ви можете швидко працювати, працювати і розгортатися. Крім того, доступна автоматична настройка гіперпараметрів AWS.
- Помірковані міркування: Постійні вдосконалення, згадані вище, можуть не дати результатів так передбачувано, як якщо б ви мали повний контроль над впровадженням своїх алгоритмів.
Якщо ці алгоритми не підходять для вашого проекту, у вас є три інші варіанти: (1) Amazon's Apache Spark Library, (2) користувацький код Python (який використовує TensorFLow або Apache MXNet) або (3) "принесіть своє" куди ви по суті не обмежені, але потрібно буде створити зображення Docker для того, щоб тренувати та обслуговувати свою модель (ви можете зробити це за допомогою інструкцій тут).
Підхід "привласнення власних" пропонує вам повну свободу. Це може виявитися привабливим для науковців даних, які вже створили бібліотеку спеціального та / або власницького алгоритмічного коду, який може не бути представлений у поточному наборі "поза коробкою".
- Приносите свої переваги: Забезпечує повний контроль над усім конвеєром наукових даних разом із використанням захищеного IP.
- Виясніть власні міркування: Докерізація необхідна для навчання та обслуговування отриманої моделі. Включення алгоритмічних удосконалень - ваша відповідальність.
Незалежно від вибору алгоритму, SageMaker на AWS - це підхід, який варто врахувати, враховуючи, наскільки велика увага приділяється простоті використання з точки зору науки даних. Якщо ви коли-небудь намагалися перенести проект машинного навчання з локального середовища на місце, де ви хочете, ви будете приємно здивовані тим, як це робить SageMaker. А якщо ви починаєте з нуля, ви вже на кілька кроків ближче до своєї мети, враховуючи, скільки вже у вас під рукою.