Innehåll
F:
Hur kan containerisering vara ett bra val för en projektmiljö för maskininlärning?
A:
Vissa företag går mot containerisering för maskininlärningsprojekt, baserat på några av de fördelar som containeruppsättningar erbjuder när det gäller plattformar och mjukvarumiljöer.
Maskininlärning är komplex - algoritmerna själva utför en hel del mycket detaljerade och komplicerade åtgärder på data. Värdepropositionen är dock på vissa sätt ganska enkel - maskininlärningsalgoritmerna arbetar med data som kommer in från lagringsmiljöer.
Användningen av containrar innebär hur ingenjörer lägger in data i maskinens inlärningsmiljö och hur algoritmerna fungerar.
Ingenjörer kan använda containervirtualisering antingen för att hysa data eller för att distribuera koden som kör algoritmerna. Även om containrar kan vara till hjälp för data, kommer deras huvudsakliga fördel förmodligen att använda algoritmkod.
Containerarkitekturer har fristående appar och kodbaser. Varje behållare har sin egen operativsystemklon, och den får en fullständig driftsmiljö för appen eller kodfunktionsuppsättningen som bor i den.
Som ett resultat kan de enskilda apparna, mikroservicen eller kodbaser som finns i varje behållare distribueras på mycket mångsidiga sätt. De kan distribueras i olika plattformar och olika miljöer.
Anta nu att du försöker öka ett maskininlärningsprojekt där olika algoritmer måste arbeta med olika data på ett iterativt sätt. Om du blir trött på att hantera utmaningar över plattformar eller problem med beroenden eller situationer där distribution av barmetall är svårt kan containrar vara lösningen.
I huvudsak ger behållarna ett sätt att värdkod. Experter talar om att distribuera containrarna mot lagrade data för att få bra resultat.
"(Apparna) kan blandas och matchas i valfritt antal plattformar, med praktiskt taget ingen porting eller testning krävs," skriver David Linthicum i en TechBeacon-artikel som berättar om värdet på containrar för maskininlärningsprojekt, "eftersom de finns i containrar , de kan arbeta i en mycket distribuerad miljö, och du kan placera dessa containrar nära de data som applikationerna analyserar. ”
Linthicum pratar vidare om att exponera maskininlärningstjänster som mikroservice. Detta gör att externa applikationer - containerbaserade eller inte - kan utnyttja dessa tjänster när som helst utan att behöva flytta koden inuti applikationen.
På ett mycket grundläggande sätt handlar containerdistribution om att göra maskinlärningsprogrammets funktionalitet mer anpassningsbar - avskaffa silo och onödiga anslutningar - och återigen beroenden - som kan lamslå ett projekt. För ett magert, medelvärdigt maskininlärningsprojekt, om de enskilda delarna av algoritmerna eller applikationerna eller funktionaliteten är inrymda i behållare, är det lätt att mikromanera dessa fristående delar och skapa komplexa maskininlärningsprojekt i enlighet därmed.