Q:
Pourquoi l'apprentissage automatique évolutif est-il important?
UNE:L'apprentissage automatique évolutif est un mot à la mode majeur dans l'industrie de l'apprentissage automatique, en partie parce que la mise à l'échelle des processus d'apprentissage automatique est un aspect important et difficile de nombreux projets d'apprentissage automatique.
Par exemple, certains projets de machine learning plus petits peuvent ne pas avoir besoin d'évoluer autant, mais lorsque les ingénieurs envisagent différents types de modélisation productive, tentent de conduire l'analyse d'ensembles de données gigantesques ou tentent d'appliquer la machine learning à différents environnements matériels, l'évolutivité peut signifie tout.
| Téléchargement gratuit: apprentissage automatique et pourquoi c'est important |
L'apprentissage automatique évolutif est important lorsqu'il est clair que la portée du projet dépassera la configuration d'origine. Différentes approches algorithmiques peuvent être nécessaires pour aider les processus d'apprentissage automatique à correspondre à d'autres processus d'analyse de données. L'apprentissage automatique peut nécessiter plus de ressources pour le même ensemble de données.
En ce qui concerne les outils utilisés, Apache Hadoop est souvent utilisé pour des ensembles de données extrêmement volumineux, par exemple, environ 5 To. En dessous de cette marque, il existe d'autres outils de niveau intermédiaire qui peuvent bien faire le travail, tels que Pandas, Matlab et R. Les professionnels de l'informatique adapteront les outils au niveau d'évolutivité requis. Ils comprendront ce que les programmes de machine learning doivent faire et comment ils doivent être équipés pour atteindre ces objectifs.
Outre la possibilité d'évoluer vers des ensembles de données beaucoup plus volumineux de l'ordre de plusieurs téraoctets, un autre défi de l'apprentissage automatique évolutif consiste à développer un système qui peut fonctionner sur plusieurs nœuds. Certains systèmes d'apprentissage automatique de base peuvent uniquement être configurés pour fonctionner sur un ordinateur individuel ou un composant matériel. Mais lorsque les processus d'apprentissage automatique doivent interagir avec plusieurs nœuds, cela nécessitera une approche différente. Faire en sorte que l'apprentissage automatique fonctionne dans une architecture distribuée est un autre élément majeur de l'apprentissage automatique évolutif. Considérez une situation où les algorithmes d'apprentissage automatique doivent accéder aux données de dizaines, voire de centaines de serveurs - cela nécessitera une évolutivité et une polyvalence importantes.
Un autre moteur de l'apprentissage automatique évolutif est le processus d'apprentissage en profondeur, où les ingénieurs et les parties prenantes peuvent obtenir plus de résultats en approfondissant les ensembles de données et en les manipulant de manière plus approfondie. Les projets d'apprentissage en profondeur sont un excellent exemple de la façon dont les entreprises peuvent avoir besoin d'adopter une stratégie évolutive d'apprentissage automatique pour atteindre les capacités dont elles ont besoin. Alors que l'apprentissage en profondeur continue d'évoluer, il exercera une pression sur les systèmes d'apprentissage automatique pour qu'ils évoluent plus efficacement.
