İçerik
S:
Neden yerel bir makinede makine öğrenmesi (ML) eğitimi almalı ve daha sonra bir sunucuda düzenli yürütme yapmalı?
A:
Bir makine öğrenim projesinin ve tren ve test aşamalarının nasıl yapılandırılacağı sorusunun, ML “yaşam döngüsü” nden nasıl geçeceğimiz ve programı bir eğitim ortamından üretim ortamına nasıl getireceğimizle çok ilgisi var.
Yukarıdaki eğitimi ML modelini yerel bir makineye koymak ve daha sonra yürütmeyi sunucu tabanlı bir sisteme taşımak için kullanmanın en basit sebeplerinden biri, vazgeçilmez görev ayrımı avantajıdır. Genel olarak, eğitim setinin izole edilmesini istersiniz, böylece eğitimin nerede başladığını ve durduğunu ve testin nerede başladığını net bir şekilde görebilirsiniz. Bu KDNuggets makalesi, prensipleri kaba bir şekilde ele alırken, aynı zamanda yerel bir makinede eğitim setlerini izole etmek için başka nedenlerden de geçiyor. Bu model için diğer bir temel değer önerisi, çok farklı mimarilerdeki eğitim ve test setleriyle, ortak tren / test tahsisi konusunda asla karıştırılmayacaksınız!
Bir başka ilginç fayda ise siber güvenlikle ilgilidir. Uzmanlar, yerel bir makinede ilk tren işlemlerine sahipseniz, internete bağlı olması gerekmediğine dikkat çekiyor! Bu, güvenliği temel bir şekilde genişletir, daha sonra sunucu modeline uygun güvenlik sağlamanız gereken üretim dünyasına kadar süreci “kuluçkaya yatırır”.
Ek olarak, bu “yalıtılmış” modellerin bazıları konsept kayması ve gizli eksiler gibi sorunlara yardımcı olabilir - “durağan olmama” ilkesi, geliştiricilere verinin zaman içinde (ölçülenlere bağlı olarak) “aynı kalmadığı” konusunda uyarır. Bir test aşamasının bir tren aşamasına uygun hale getirilmesinin çok fazla uyarlanabilirlik gerektirebileceğini Veya bazı durumlarda, tren ve test süreçleri birbirine karışarak karışıklık yaratır.
Test aşamasını bir sunucuda ilk defa kullanmak, veri uyumluluk sorununu çözeceğiniz çeşitli “kara kutu” modellerini kolaylaştırabilir. Bazı durumlarda, değişiklik siparişlerini birden fazla platforma koyma gereksiz işlemini ortadan kaldırır.
Daha sonra, sunucu ortamı açıkça, mühendislerin ML'deki üretim için en iyi şekilde çalışan veri aktarımı ve kod modellerine erişmek isteyecekleri gerçek zamanlı veya dinamik süreçlere hizmet eder. Örneğin, AWS Lambda, üretimin mikro işlevlerini (veya Lambda ve S3 nesne depolaması bir arada) ve imkansız hale gelen (bir sunucu olmadan) bağlantı olmadan kullanmak için çekici bir seçenek olabilir.
Bunlar, geliştiricilerin eğitim aşamalarını test ve üretim bölümlerinden nasıl ayırmayı düşündükleri hakkında düşünebilecekleri sorunlardan bazılarıdır.