Sadržaj
P:
Kako kontejnerizacija može biti dobar izbor za projektno okruženje strojnog učenja?
A:
Neke tvrtke kreću u smjeru kontejnera za projekte strojnog učenja, temeljene na nekim prednostima koje postavljanje spremnika nudi u pogledu platformi i softverskog okruženja.
Strojno je učenje složeno - sami algoritmi izvode mnogo vrlo detaljnih i kompliciranih radnji na podacima. Međutim, prijedlog vrijednosti na neki je način prilično jednostavan - algoritmi strojnog učenja rade na podacima koji dolaze iz okruženja za pohranu.
Upotreba spremnika uključuje kako inženjeri stavljaju podatke u okruženje strojnog učenja i kako algoritmi rade.
Inženjeri mogu koristiti virtualizaciju spremnika ili za pohranu podataka ili za uvođenje koda koji pokreće algoritme. Iako spremnici mogu biti korisni za podatke, njihova glavna korist vjerojatno dolazi u njihovoj upotrebi kodova algoritma.
Arhitekture spremnika sadrže samostalne aplikacije i baze podataka. Svaki spremnik dobiva svoj klon operacijskog sustava i on dobiva potpuno operativno okruženje za skup aplikacije ili koda koji živi u njemu.
Kao rezultat, pojedinačne aplikacije, mikroservisi ili baze podataka koji se nalaze u svakom spremniku mogu se implementirati na vrlo raznolike načine. Mogu se rasporediti na različitim platformama i različitim okruženjima.
Pretpostavimo da pokušavate pojačati projekt strojnog učenja u kojem različiti algoritmi moraju raditi iterativno na raznim komadima podataka. Ako se umorite baviti se izazovima na više platformi ili problemima ovisnosti ili situacijama u kojima je postavljanje golog metala teško, kontejneri mogu biti rješenje.
Kontejneri u osnovi pružaju način za ugostiti kod. Stručnjaci govore o razmještanju spremnika prema pohranjenim podacima kako bi se postigli dobri rezultati.
"(Aplikacije) se mogu miješati i podudariti na bilo kojem broju platformi, a gotovo nije potrebno nošenje ili testiranje", piše David Linthicum u članku TechBeacon-a koji objašnjava vrijednost spremnika za projekte strojnog učenja, "jer oni postoje u spremnicima , oni mogu raditi u visoko distribuiranom okruženju, a ove spremnike možete smjestiti blizu podataka koje aplikacije analiziraju. "
Linthicum nastavlja govoriti o izlaganju usluga strojnog učenja kao mikro usluga. To omogućava vanjskim aplikacijama - na osnovi spremnika ili ne - korištenje ovih usluga u bilo kojem trenutku bez potrebe za premještanjem koda unutar aplikacije.
U vrlo osnovnom smislu, razmještanje spremnika odnosi se na prilagodbu funkcionalnosti programa strojnog učenja - uklanjanje silosa i nepotrebnih veza - i opet ovisnosti - koji mogu osakatiti projekt. Za mršavi, srednji projekt strojnog učenja, ako su pojedini dijelovi algoritama ili aplikacija ili funkcija smješteni unutar spremnika, lako je upravljati tim samostalnim komadima i u skladu s tim stvoriti složene projekte strojnog učenja.