K:
Hogyan lehet a konténerkészítés jó választás a gépi tanulási projekt környezetéhez?
A:Néhány vállalat a gépi tanulási projektek felé történő konténerezés felé halad, néhány előnye alapján, amelyeket a konténerbeállítások kínálnak a platformok és a szoftverkörnyezet szempontjából.
A gépi tanulás összetett - maguk az algoritmusok nagyon sok nagyon részletes és bonyolult műveletet hajtanak végre az adatokra. Az értékjavaslat azonban bizonyos értelemben elég egyszerű - a gépi tanulási algoritmusok a tárolási környezetekből származó adatokra működnek.
| Ingyenes letöltés: Gépi tanulás és miért számít? |
A konténerek használata magában foglalja azt, hogy a mérnökök miként helyezik az adatokat a gépi tanulási környezetbe, és hogyan működnek az algoritmusok.
A mérnökök tároló virtualizációt használhatnak az adatok tárolására vagy az algoritmusokat futtató kód telepítésére. Bár a tárolók hasznosak lehetnek az adatokban, valószínűleg fő előnyeik vannak az algoritmuskód házon belüli felhasználásában.
A konténer-architektúrák önálló alkalmazásokat és kódbázisokat tartalmaznak. Minden tároló megkapja a saját operációs rendszer-klónját, és megkapja a teljes működési környezetet a benne élő alkalmazás- vagy kódfunkciókészlet számára.
Ennek eredményeként az egyes konténerekben lévő egyes alkalmazások, mikroszolgáltatások vagy kódbázisok nagyon sokoldalúan telepíthetők. Különböző platformon és környezetben is telepíthetők.
Tegyük fel, hogy egy gépi tanulási projektet próbál felvenni, amelyben a különféle algoritmusoknak különféle adatokon kell iteratív módon működniük. Ha belefárad a platformok közötti kihívásokkal vagy a függőségi problémákkal, vagy olyan helyzetekbe, ahol nehéz a csupasz fém telepítése nehéz, a konténerek lehetnek a megoldás.
Alapvetően a konténerek biztosítják a kód gazdagépét. A szakértők a tárolóknak a tárolt adatokkal való összevetéséről beszélnek a jó eredmények elérése érdekében.
"(Az alkalmazások) tetszőleges számú platformon keverhetők és összeilleszthetők, gyakorlatilag nincs szükség átvitelre vagy tesztelésre" - írja David Linthicum egy TechBeacon cikkben, amely kimondja a gépi tanulási projektekhez használt konténerek értékét, "mivel ezek konténerekben vannak, nagyon szétszórt környezetben működhetnek, és ezeket a tárolókat elhelyezheti az alkalmazások által elemzett adatok közelében. ”
A Linthicum folytatja a gépi tanulási szolgáltatások mikroszolgáltatásoknak való kitettségét. Ez lehetővé teszi a külső alkalmazások számára - akár konténer alapú, akár nem -, hogy bármikor kihasználhassák ezeket a szolgáltatásokat anélkül, hogy a kódot az alkalmazáson belül kellene mozgatni.
Nagyon alapvetõ értelemben a konténer telepítése az, hogy a gépi tanulási program funkcionalitását jobban adaptálhatóvá tegyék - elkerüljék a silókat és a felesleges kapcsolatokat - és megint a függõségeket -, amelyek megronthatják a projektet. Egy karcsú, átlagos gépi tanulási projekt esetében, ha az algoritmusok vagy alkalmazások vagy funkciók egyes részei konténerekben vannak elhelyezve, könnyű mikromanominnizálni ezeket a különálló darabokat, és ennek megfelelően összetett gépi tanulási termékeket hozhat létre.
