Contenu
Q:
Comment la conteneurisation peut-elle être un bon choix pour un environnement de projet d'apprentissage automatique?
UNE:
Certaines entreprises se tournent vers la conteneurisation pour les projets d’apprentissage automatique, en fonction des avantages offerts par les configurations de conteneurs en termes de plates-formes et d’environnements logiciels.
L'apprentissage automatique est complexe - les algorithmes effectuent eux-mêmes de nombreuses opérations très détaillées et compliquées sur les données. Cependant, la proposition de valeur est, à certains égards, assez simple: les algorithmes d’apprentissage automatique fonctionnent sur des données provenant d’environnements de stockage.
L'utilisation de conteneurs implique la manière dont les ingénieurs introduisent les données dans l'environnement d'apprentissage automatique et le fonctionnement des algorithmes.
Les ingénieurs peuvent utiliser la virtualisation de conteneur pour héberger les données ou déployer le code qui exécute les algorithmes. Bien que les conteneurs puissent être utiles pour les données, leur principal avantage réside probablement dans leur utilisation pour héberger du code d'algorithme.
Les architectures de conteneur comportent des applications et des bases de code autonomes. Chaque conteneur obtient son propre clone de système d'exploitation et un environnement d'exploitation complet pour l'ensemble de fonctions d'application ou de code qu'il contient.
En conséquence, les applications individuelles, les microservices ou les bases de code contenus dans chaque conteneur peuvent être déployés de manière très polyvalente. Ils peuvent être déployés sur différentes plates-formes et différents environnements.
Supposons maintenant que vous essayez de mettre en place un projet d’apprentissage automatique dans lequel divers algorithmes doivent travailler sur différentes données de manière itérative. Si vous en avez assez de faire face aux défis multi-plateformes ou aux problèmes de dépendance ou aux situations dans lesquelles le déploiement «à chaud» est difficile, les conteneurs peuvent être la solution.
Essentiellement, les conteneurs fournissent un moyen d’héberger du code. Les experts parlent de déployer les conteneurs sur les données stockées pour obtenir de bons résultats.
"(Les applications) peuvent être mélangées et associées dans un nombre quelconque de plates-formes, pratiquement aucun portage ni test n'est requis", écrit David Linthicum dans un article TechBeacon qui expose la valeur des conteneurs pour les projets d'apprentissage automatique, "car ils existent dans des conteneurs. , ils peuvent fonctionner dans un environnement hautement distribué et vous pouvez placer ces conteneurs à proximité des données analysées par les applications. ”
Linthicum parle ensuite d'exposer les services d'apprentissage machine en tant que microservices. Cela permet aux applications externes - basées sur des conteneurs ou non - de tirer parti de ces services à tout moment sans avoir à déplacer le code dans l'application.
De manière très élémentaire, le déploiement de conteneurs consiste à rendre la fonctionnalité du programme d’apprentissage automatique plus adaptable - en supprimant les silos et les connexions inutiles - ainsi que les dépendances - qui peuvent paralyser un projet. Pour un projet d'apprentissage machine lean et moyen, si les éléments individuels des algorithmes, applications ou fonctionnalités sont logés dans des conteneurs, il est facile de microgérer ces éléments autonomes et de créer des projets de produits d'apprentissage automatique complexes en conséquence.