İçerik
S:
Hangisi daha iyi, bir platform mu yoksa AWS'de kendi makine öğrenme algoritmasını mı getirdin?
A:
Bugünlerde pek çok şirket, makine öğrenimi çözümlerini, marka yönetimini geliştirmek, müşteri deneyimini geliştirmek ve operasyonel verimliliği artırmak için belirlenen analitik araçlarına entegre ediyor. Makine öğrenimi modelleri, makine öğrenimi çözümlerinin temel bileşenidir. Modeller, matematiksel algoritmalar ve güvenilir tahminler yapmak için büyük veri kümeleri kullanılarak eğitilir. İki yaygın tahmin örneği (1) bir sosyal işlem kümesinin sahtekarlığa işaret edip etmediğinin belirlenmesi veya (2) bir ürünün etrafındaki sosyal medyadan toplanan girdilere dayanarak tüketici duyarlılığının değerlendirilmesi.
Amazon SageMaker, geliştiricilerin ve veri bilim adamlarının makine öğrenme modelleri oluşturmalarını, eğitmelerini ve uygulamalarını sağlayan tamamen yönetilen bir hizmettir. SageMaker'da, kullanıma hazır algoritmaları kullanabilir veya daha özelleştirilmiş bir çözüm için kendi yolunuza gidebilirsiniz. Her iki seçenek de geçerlidir ve başarılı bir makine öğrenme çözümü için temel olarak eşit derecede hizmet eder.
(Editörün notu: SageMaker'ın diğer alternatiflerini burada görebilirsiniz.)
SageMaker’in kullanıma hazır algoritmaları arasında görüntü sınıflandırma, doğal dil işleme, vb. İçin popüler, yüksek derecede optimize edilmiş örnekler bulunmaktadır. Tam liste bulunabilir. İşte.
- Kullanıma Hazır Avantajları: Bu algoritmalar önceden optimize edilmiştir (ve sürekli iyileştirme aşamasındadır). Hızlı, çalışıyor ve konuşlandırılmış olabilirsiniz.Ayrıca, AWS otomatik hiper-parametre ayarı mevcuttur.
- Kutudan Çıkacak Hususlar: Yukarıda belirtilen sürekli iyileştirmeler, algoritmalarınızın uygulanması üzerinde tam kontrolünüz varmış gibi tahmin edilebilecek sonuçlar vermeyebilir.
Bu algoritmalar projeniz için uygun değilse, üç seçeneğiniz daha vardır: (1) Amazon'un Apache Spark Kütüphanesi, (2) özel Python kodu (TensorFLow veya Apache MXNet kullanan) veya (3) “kendinize getirin” temelde kısıtlı değildir, ancak modelinizi eğitmek ve sunmak için bir Docker resmi oluşturmanız gerekir (yönergeleri kullanarak bunu yapabilirsiniz. İşte).
Kendinize getirin yaklaşımı size tam bir özgürlük sunar. Bu, halihazırda kullanıma hazır sette temsil edilmeyen bir özel ve / veya özel algoritmik kod kütüphanesi oluşturmuş olan veri bilimcileri için çekici olabilir.
- Kendi Avantajlarını Getir: Özel IP kullanımı ile birlikte tüm veri bilimi boru hattı üzerinde tam kontrol sağlar.
- Kendinize Özel Düşünceler: Ortaya çıkan modeli eğitmek ve hizmet etmek için limanlaştırma gereklidir. Algoritmik iyileştirmeler yapmak sizin sorumluluğunuzdadır.
Algoritma seçiminizden bağımsız olarak, AWS'deki SageMaker, veri bilimi perspektifinden kullanım kolaylığına ne kadar odaklandığı göz önüne alındığında göz önünde bulundurulması gereken bir yaklaşımdır. Bir makine öğrenim projesini yerel ortamınızdan barındırılan bir projeye geçirme girişiminde bulunduysanız, SageMaker'ın ne kadar kusursuz hale getirdiğine çok şaşıracaksınız. Ve sıfırdan başlıyorsanız, zaten parmaklarınızın ucunda ne kadar olduğu göz önüne alındığında, hedefinize zaten birkaç adım daha yakınsınız.