D:
Come può la containerizzazione essere una buona scelta per un ambiente di progetto di apprendimento automatico?
UN:Alcune aziende si stanno muovendo verso la containerizzazione per i progetti di machine learning, sulla base di alcuni dei vantaggi offerti dalle configurazioni dei container in termini di piattaforme e ambienti software.
L'apprendimento automatico è complesso: gli stessi algoritmi eseguono molte azioni molto dettagliate e complicate sui dati. Tuttavia, la proposta di valore è, in un certo senso, piuttosto semplice: gli algoritmi di apprendimento automatico funzionano sui dati provenienti dagli ambienti di archiviazione.
| Download gratuito: Machine Learning e perché è importante |
L'uso dei contenitori implica il modo in cui gli ingegneri inseriscono i dati nell'ambiente di apprendimento automatico e come funzionano gli algoritmi.
Gli ingegneri possono utilizzare la virtualizzazione del contenitore per ospitare i dati o per distribuire il codice che esegue gli algoritmi. Sebbene i contenitori possano essere utili per i dati, il loro principale vantaggio è probabilmente il loro uso per ospitare il codice dell'algoritmo.
Le architetture contenitore contengono app e codebase indipendenti. Ogni contenitore ottiene il proprio clone del sistema operativo e ottiene un ambiente operativo completo per l'app o la serie di funzioni di codice che vive al suo interno.
Di conseguenza, le singole app, microservizi o codebase presenti in ciascun contenitore possono essere distribuiti in modi molto versatili. Possono essere distribuiti su piattaforme diverse e ambienti diversi.
Supponiamo ora che stai tentando di accelerare un progetto di apprendimento automatico in cui vari algoritmi devono lavorare su vari pezzi di dati in modo iterativo. Se sei stanco di affrontare sfide multipiattaforma o problemi di dipendenza o situazioni in cui la distribuzione bare metal è difficile, i contenitori possono essere la soluzione.
In sostanza, i contenitori forniscono un modo per ospitare il codice. Gli esperti parlano della distribuzione dei contenitori rispetto ai dati memorizzati per ottenere buoni risultati.
"(Le app) possono essere mischiate e abbinate in qualsiasi numero di piattaforme, praticamente senza porting o test richiesti", scrive David Linthicum in un articolo di TechBeacon che espone il valore dei container per i progetti di machine learning, "perché esistono in container, possono operare in un ambiente altamente distribuito e puoi posizionare questi contenitori vicino ai dati che le applicazioni stanno analizzando. "
Linthicum continua a parlare dell'esposizione dei servizi di machine learning come microservizi. Ciò consente alle applicazioni esterne, basate su container o meno, di sfruttare questi servizi in qualsiasi momento senza dover spostare il codice all'interno dell'applicazione.
In un senso molto basilare, la distribuzione dei container consiste nel rendere più adattabili le funzionalità del programma di apprendimento automatico - eliminando i silos e le connessioni non necessarie - e ancora, le dipendenze - che possono paralizzare un progetto. Per un progetto di apprendimento automatico snello e medio, se le singole parti degli algoritmi o delle applicazioni o funzionalità sono alloggiate all'interno di contenitori, è facile micromanage di questi pezzi autonomi e creare di conseguenza progetti complessi di apprendimento automatico.
