Ev Trendler Neden yerel bir makinede ml eğitimi çalıştırıp bir sunucuda düzenli yürütme gerçekleştirmelisiniz?

Neden yerel bir makinede ml eğitimi çalıştırıp bir sunucuda düzenli yürütme gerçekleştirmelisiniz?

Anonim

S:

Neden yerel bir makinede makine öğrenimi (ML) eğitimini ve ardından bir sunucuda düzenli yürütmeyi çalıştırıyorsunuz?

A:

Bir makine öğrenme projesinin ve tren ve test aşamalarının nasıl yapılandırılacağı sorusunun, ML “yaşam döngüsü” nden geçip programı bir eğitim ortamından bir üretim ortamına nasıl getirdiğimizle ilgisi vardır.

Yukarıdaki eğitimi ML eğitimini yerel bir makineye koymanın ve daha sonra uygulamayı sunucu tabanlı bir sisteme taşımanın en basit nedenlerinden biri, vazgeçilmez görev ayrımının yararıdır. Genel olarak, eğitim setinin izole edilmesini istersiniz, böylece eğitimin başladığı ve durduğu ve testin başladığı yeri net bir şekilde görebilirsiniz. Bu KDNuggets makalesi, yerel bir makinedeki eğitim setlerini izole etmenin diğer nedenlerinden de geçerken, kaba bir şekilde prensipten bahsediyor. Bu model için bir diğer temel değer önerisi, çok farklı mimarilerdeki eğitim ve test setleriyle, ortak tren / test tahsisi hakkında asla kafanız karışmayacak!

Bir başka ilginç fayda siber güvenlik ile ilgilidir. Uzmanlar, yerel bir makinede ilk tren işlemlerine sahipseniz, bunun internete bağlı olması gerekmediğine dikkat çekiyor! Bu, güvenliği temel bir şekilde genişletir, süreci üretim dünyasına varana kadar “inkübe eder” ve burada sunucu modeline yeterli güvenliği sağlamanız gerekir.

Buna ek olarak, bu “izole” modellerin bazıları kavram sapması ve gizli bağlamlar gibi sorunlara yardımcı olabilir - “durağanlık” ilkesi geliştiricileri, verilerin zaman içinde “ölçülmeyene bağlı olarak” “aynı kalmadıkları” ve bir test aşamasının bir tren aşamasıyla eşleşmesi çok fazla uyarlanabilirlik gerektirebilir. Ya da, bazı durumlarda, tren ve test süreçleri birbirine karışarak karışıklık yaratır.

Test aşamasını bir sunucuya ilk kez dağıtmak, veri uyarlanabilirliği sorununu çözdüğünüz çeşitli "kara kutu" modellerini kolaylaştırabilir. Bazı durumlarda, birden çok platforma değişiklik siparişi verme gereksiz sürecini ortadan kaldırır.

Daha sonra, sunucu ortamı, mühendislerin ML'de üretim için en iyi çalışan veri aktarımına ve kod modellerine erişmek isteyecekleri gerçek zamanlı veya dinamik süreçlere hizmet eder. Örneğin, AWS Lambda, üretimin mikro işlevlerini (veya Lambda ve S3 nesne depolamasını bir arada) ve imkansız hale gelen bağlantısız (sunucu olmadan) işlemek için çekici bir seçenek olabilir.

Bunlar, geliştiricilerin ML aşamalarını test ve üretimden nasıl bölümlendireceklerini düşündüklerinde düşünebilecekleri bazı konulardır.

Neden yerel bir makinede ml eğitimi çalıştırıp bir sunucuda düzenli yürütme gerçekleştirmelisiniz?