Contenu
Q:
Quoi de mieux, une plate-forme ou un algorithme d'apprentissage automatique à utiliser soi-même sur AWS?
UNE:
De nos jours, de nombreuses entreprises intègrent des solutions d'apprentissage automatique à leurs outils d'analyse afin d'améliorer la gestion de la marque, l'expérience client et l'efficacité opérationnelle. Les modèles d’apprentissage automatique sont l’élément central des solutions d’apprentissage automatique. Les modèles sont formés à l'aide d'algorithmes mathématiques et de grands ensembles de données pour permettre des prédictions fiables. Deux exemples courants de prédictions sont (1) déterminer si un ensemble d'opérations financières indique une fraude ou (2) évaluer le sentiment des consommateurs à l'égard d'un produit, sur la base des informations recueillies sur les médias sociaux.
Amazon SageMaker est un service entièrement géré qui permet aux développeurs et aux scientifiques de données de créer, former et déployer des modèles d'apprentissage machine. Dans SageMaker, vous pouvez utiliser des algorithmes prêts à l'emploi ou choisir le chemin à utiliser pour une solution plus personnalisée. Les deux choix sont valables et servent également de base pour une solution d’apprentissage automatique couronnée de succès.
(Remarque de l'éditeur: vous pouvez voir d'autres alternatives à SageMaker ici.)
Les algorithmes prêts à l'emploi de SageMaker incluent des exemples populaires et hautement optimisés pour la classification des images, le traitement du langage naturel, etc. La liste complète est disponible à l'adresse suivante: ici.
- Avantages clés en main: Ces algorithmes ont été pré-optimisés (et sont en constante amélioration). Vous pouvez être opérationnel, rapide et déployé rapidement.De plus, le réglage automatique hyper-paramètre AWS est disponible.
- Considérations prédéfinies: Les améliorations continues mentionnées ci-dessus peuvent ne pas produire des résultats aussi prévisibles que si vous aviez le contrôle total sur la mise en œuvre de vos algorithmes.
Si ces algorithmes ne conviennent pas à votre projet, vous avez trois autres choix: (1) la bibliothèque Apache Spark d'Amazon, (2) du code Python personnalisé (qui utilise TensorFLow ou Apache MXNet) ou (3) «apportez votre propre» sont essentiellement non contraintes, mais vous devrez créer une image Docker afin de former et servir votre modèle (vous pouvez le faire en suivant les instructions ici).
L'approche à emporter vous offre une totale liberté. Cela peut intéresser les scientifiques qui ont déjà constitué une bibliothèque de codes algorithmiques personnalisés et / ou propriétaires qui peuvent ne pas être représentés dans le jeu actuel prêt à l'emploi.
- Apportez vos propres avantages: Permet un contrôle complet sur l'ensemble du pipeline de la science des données avec l'utilisation de la propriété intellectuelle.
- Considérations à apporter: La dockérisation est nécessaire pour former et servir le modèle résultant. L'intégration d'améliorations algorithmiques est de votre responsabilité.
Quel que soit le choix de votre algorithme, SageMaker sur AWS est une approche qui mérite d’être envisagée, étant donné l’importance accordée à la facilité d’utilisation du point de vue de la science des données. Si vous avez déjà tenté de migrer un projet d’apprentissage automatique de votre environnement local vers un projet hébergé, vous serez agréablement surpris de voir à quel point SageMaker est transparent. Et si vous partez de zéro, vous êtes déjà plusieurs étapes plus proches de votre objectif, compte tenu de ce qui est déjà à portée de main.