Sisu
K:
Miks käivitada masinõppe (ML) väljaõpe kohalikul masinal ja seejärel käivitada serveris regulaarne täitmine?
A:
Küsimus, kuidas masinõppe projekti ning selle koolituse ja katseetappe üles ehitada, on palju seotud sellega, kuidas me liigume läbi ML-i “elutsükli” ja viime programmi koolituskeskkonnast tootmiskeskkonda.
Ülaltoodud mudeli kasutamise üks lihtsamaid põhjuseid, milleks on ML-koolituse paigutamine kohalikule masinale ja seejärel täitmise viimine serveripõhisele süsteemile, on töökohustuste oluline lahusus. Üldiselt soovite, et treeningkomplekt oleks isoleeritud, nii et teil oleks selge pilt, kus treenimine algab ja lõpeb ning kus algab testimine. See KDNuggetsi artikkel räägib põhimõttest jämedalt, tutvustades ka muid põhjuseid, miks isoleerida treeningkomplektid kohalikust masinast. Selle mudeli üks peamisi põhiväärtusi on see, et väga erinevate arhitektuuride koolitus- ja testikomplektidega ei tohi kunagi segi ajada rongi / testi ühist jaotamist!
Veel üks huvitav eelis on seotud küberturvalisusega. Eksperdid märgivad, et kui teil on esimesed rongiprotsessid kohalikus masinas, siis ei pea see olema ühendatud Internetiga! See laiendab turvalisust põhimõttelisel viisil, “inkubeerides” protsessi, kuni see jõuab tootmismaailma, kus peate seejärel serverimudeli sisse ehitama piisava turvalisuse.
Lisaks võivad mõned neist „isoleeritud” mudelitest aidata selliste probleemide korral nagu kontseptsiooni triiv ja varjatud miinused - mittestatsionaalsuse põhimõte hoiatab arendajaid, et andmed ei jääks aja jooksul samaks (sõltuvalt sellest, mida mõõdetakse) ja et katsefaasi sobitamine rongifaasiga võib võtta palju kohanemisvõimet. Või mõnel juhul sulanduvad rongi- ja testimisprotsessid kokku, tekitades segadust.
Testfaasi esmakordne juurutamine serverisse võib hõlbustada mitmesuguseid nn musta kasti mudeleid, kus lahendate andmete kohanemisvõime probleemi. Mõnel juhul kaob see ülearune protsess, mille käigus muutmiskorraldused pannakse mitmele platvormile.
Siis teenib serverikeskkond ka ilmselgelt reaalajas või dünaamilisi protsesse, milles insenerid soovivad juurdepääsu andmeedastuse ja koodimudelitele, mis töötavad ML-is kõige paremini. Näiteks võib AWS Lambda olla atraktiivseks võimaluseks tootmise mikrifunktsioonide (või Lambda ja S3 objektide salvestuse kombinatsiooni) käsitsemisel ja ilma ühenduvuseta (ilma serverita), mis muutub võimatuks.
Need on mõned küsimused, millele arendajad võivad mõelda, kui nad kaaluvad ML-i koolituse etappide eraldamist testimisest ja tootmisest.