D:
Cosa c'è di meglio, una piattaforma o un algoritmo di apprendimento automatico personalizzato su AWS?
UN:Oggigiorno, molte aziende integrano soluzioni di machine learning nel loro set di strumenti di analisi per migliorare la gestione del marchio, migliorare l'esperienza del cliente e aumentare l'efficienza operativa. I modelli di apprendimento automatico sono il componente principale delle soluzioni di apprendimento automatico. I modelli vengono addestrati utilizzando algoritmi matematici e set di dati di grandi dimensioni per fare previsioni affidabili. Due esempi comuni di previsioni sono (1) determinare se un insieme di transazioni finanziarie indica frodi o (2) valutare il sentimento dei consumatori nei confronti di un prodotto, sulla base di input raccolti dai social media.
Amazon SageMaker è un servizio completamente gestito che consente a sviluppatori e data scientist di costruire, formare e distribuire modelli di machine learning. In SageMaker, è possibile utilizzare algoritmi pronti all'uso o seguire il percorso personale per una soluzione più personalizzata. Entrambe le scelte sono valide e servono altrettanto bene come base per una soluzione di apprendimento automatico di successo.
(Nota dell'editore: qui puoi vedere altre alternative a SageMaker.)
Gli algoritmi predefiniti di SageMaker includono esempi popolari e altamente ottimizzati per la classificazione delle immagini, l'elaborazione del linguaggio naturale, ecc. L'elenco completo è disponibile qui .
- Vantaggi out-of-the-box: questi algoritmi sono stati pre-ottimizzati (e sono in costante miglioramento). Puoi essere attivo, in esecuzione e distribuito rapidamente. Inoltre, è disponibile la sintonizzazione automatica di iperparametri AWS.
- Considerazioni immediate: i continui miglioramenti sopra menzionati potrebbero non produrre risultati prevedibilmente come se avessi il controllo completo sull'implementazione dei tuoi algoritmi.
Se questi algoritmi non sono adatti al tuo progetto, hai altre tre opzioni: (1) Apache Spark Library di Amazon, (2) codice Python personalizzato (che utilizza TensorFLow o Apache MXNet) o (3) "porta il tuo" dove sono essenzialmente non vincolati, ma sarà necessario creare un'immagine Docker per formare e servire il tuo modello (puoi farlo usando le istruzioni qui ).
L'approccio personalizzato ti offre la massima libertà. Ciò può risultare interessante per i data scientist che hanno già creato una libreria di codici algoritmici personalizzati e / o proprietari che potrebbero non essere rappresentati nell'attuale set out-of-the-box.
- Vantaggi personalizzati: consente il controllo completo sull'intera pipeline di data science insieme all'utilizzo dell'IP proprietario.
- Considerazioni personali: la dockerizzazione è necessaria per formare e servire il modello risultante. L'incorporazione di miglioramenti algoritmici è una tua responsabilità.
Indipendentemente dalla scelta dell'algoritmo, SageMaker su AWS è un approccio che vale la pena prendere in considerazione, data la grande attenzione rivolta alla facilità d'uso dal punto di vista della scienza dei dati. Se hai mai tentato di migrare un progetto di machine learning dal tuo ambiente locale a uno ospitato, rimarrai piacevolmente sorpreso dalla semplicità con cui SageMaker lo realizza. E se inizi da zero, sei già a pochi passi dal tuo obiettivo, dato quanto è già a portata di mano.
