Q:
Quoi de mieux, une plate-forme ou un algorithme d'apprentissage automatique à apporter sur AWS?
UNE:De nos jours, de nombreuses entreprises intègrent des solutions d'apprentissage automatique dans leur ensemble d'outils d'analyse pour améliorer la gestion de la marque, améliorer l'expérience client et accroître l'efficacité opérationnelle. Les modèles d'apprentissage automatique sont le composant central des solutions d'apprentissage automatique. Les modèles sont formés à l'aide d'algorithmes mathématiques et de grands ensembles de données pour faire des prédictions fiables. Deux exemples courants de prédictions sont (1) de déterminer si un ensemble de transactions financières indique une fraude ou (2) d'évaluer le sentiment des consommateurs autour d'un produit, sur la base des informations collectées sur les réseaux sociaux.
Amazon SageMaker est un service entièrement géré qui permet aux développeurs et aux scientifiques des données de créer, former et déployer des modèles d'apprentissage automatique. Dans SageMaker, vous pouvez utiliser des algorithmes prêts à l'emploi ou opter pour le chemin de la personnalisation pour une solution plus personnalisée. Les deux choix sont valides et servent également de base pour une solution d'apprentissage automatique réussie.
(Note de l'éditeur: vous pouvez voir d'autres alternatives à SageMaker ici.)
Les algorithmes prêts à l'emploi de SageMaker incluent des exemples populaires et hautement optimisés pour la classification d'images, le traitement du langage naturel, etc. La liste complète peut être trouvée ici .
- Avantages prêts à l'emploi: ces algorithmes ont été pré-optimisés (et sont en constante amélioration). Vous pouvez être opérationnel, en cours d'exécution et déployé rapidement. De plus, le réglage automatique hyperparamétrique AWS est disponible.
- Considérations prêtes à l'emploi: Les améliorations continues mentionnées ci-dessus peuvent ne pas produire des résultats aussi prévisibles que si vous aviez un contrôle complet sur la mise en œuvre de vos algorithmes.
Si ces algorithmes ne conviennent pas à votre projet, vous avez trois autres choix: (1) la bibliothèque Apache Spark d'Amazon, (2) du code Python personnalisé (qui utilise TensorFLow ou Apache MXNet) ou (3) «apportez le vôtre» où vous sont essentiellement sans contrainte, mais devront créer une image Docker afin de former et de servir votre modèle (vous pouvez le faire en utilisant les instructions ici ).
L'approche apportez votre propre vous offre une liberté totale. Cela peut s'avérer attrayant pour les scientifiques des données qui ont déjà constitué une bibliothèque de code algorithmique personnalisé et / ou propriétaire qui peut ne pas être représenté dans l'ensemble actuel hors de la boîte.
- Apportez vos propres avantages: Permet un contrôle complet sur l'ensemble du pipeline de science des données ainsi que l'utilisation de l'IP propriétaire.
- Considérations à apporter : la dockérisation est nécessaire pour former et servir le modèle résultant. L'intégration d'améliorations algorithmiques est de votre responsabilité.
Quel que soit le choix de votre algorithme, SageMaker sur AWS est une approche qui mérite d'être envisagée, étant donné l'importance accordée à la facilité d'utilisation du point de vue de la science des données. Si vous avez déjà tenté de migrer un projet d'apprentissage automatique de votre environnement local vers un environnement hébergé, vous serez agréablement surpris de voir à quel point SageMaker le rend transparent. Et si vous partez de zéro, vous êtes déjà à plusieurs pas de votre objectif, compte tenu du montant déjà à portée de main.
