Innehåll
F:
Vad är bättre, en plattform eller ta med din egen maskininlärningsalgoritm på AWS?
A:
Idag integrerar många företag lösningar för maskininlärning i sin analysverktygssats för att förbättra varumärkeshantering, förbättra kundupplevelsen och öka effektiviteten i verksamheten. Maskininlärningsmodeller är kärnkomponenten i maskininlärningslösningar. Modeller tränas med matematiska algoritmer och stora datamängder för att göra tillförlitliga förutsägelser. Två vanliga exempel på förutsägelser är (1) att bestämma om en uppsättning finansiella transaktioner indikerar bedrägeri eller (2) bedöma konsumenternas känsla kring en produkt, baserat på input som samlats in från sociala medier.
Amazon SageMaker är en helt hanterad tjänst som låter utvecklare och datavetare bygga, träna och distribuera maskininlärningsmodeller. I SageMaker kan du använda out-the-box-algoritmer eller gå med din egen väg för en mer anpassad lösning. Båda valen är giltiga och fungerar lika bra som grunden för en framgångsrik maskininlärningslösning.
(Redaktörens anmärkning: Du kan se andra alternativ till SageMaker här.)
SageMakers out-the-box-algoritmer inkluderar populära, mycket optimerade exempel för bildklassificering, naturligt språkbearbetning, etc. Den fullständiga listan finns här.
- Fördelar utanför boxen: Dessa algoritmer har föroptimiserats (och genomgår kontinuerlig förbättring). Du kan vara igång, springa och distribuera snabbt.Dessutom är AWS automatisk hyperparameterinställning tillgänglig.
- Övervägande överväganden: De kontinuerliga förbättringarna som nämns ovan kanske inte ger resultat lika förutsägbart som om du hade full kontroll över implementeringen av dina algoritmer.
Om dessa algoritmer inte är lämpliga för ditt projekt har du tre andra val: (1) Amazons Apache Spark Library, (2) anpassad Python-kod (som använder TensorFLow eller Apache MXNet) eller (3) "ta med din egen" där du är i huvudsak obegränsade, men måste skapa en Docker-bild för att träna och betjäna din modell (du kan göra det med hjälp av instruktionerna här).
Ta med din egen strategi ger dig full frihet. Detta kan visa sig vara attraktivt för datavetare som redan har byggt upp ett bibliotek med anpassad och / eller proprietär algoritmisk kod som kanske inte representeras i den nuvarande out-of-box-uppsättningen.
- Ta med dina egna fördelar: Aktiverar fullständig kontroll över hela datavetenskapens pipeline tillsammans med användning av egen IP.
- Ta med dina egna överväganden: Dockerisering krävs för att träna och tjäna den resulterande modellen. Inkorporering av algoritmiska förbättringar är ditt ansvar.
Oavsett ditt val av algoritm är SageMaker på AWS en metod som är värd att överväga med tanke på hur mycket fokus som har lagts på användarvänlighet ur ett datavetenskapligt perspektiv. Om du någonsin har försökt att migrera ett maskininlärningsprojekt från din lokala miljö till en värd, blir du positivt överraskad över hur sömlöst SageMaker gör det. Och om du börjar från grunden är du redan flera steg närmare ditt mål med tanke på hur mycket som redan är inom räckhåll.