Q:
Kodėl verta paleisti kompiuterio mokymosi (ML) mokymą vietiniame kompiuteryje, o tada reguliariai vykdyti serveryje?
A:Klausimas, kaip susisteminti mokymosi mašinomis projektą ir jo mokymo bei bandymo etapus, yra labai susijęs su tuo, kaip mes judame per ML „gyvenimo ciklą“ ir perkeliame programą iš mokymo aplinkos į gamybos aplinką.
Esminė pareigų atskyrimo nauda yra viena iš paprasčiausių priežasčių naudoti aukščiau pateiktą ML mokymo vietiniame kompiuteryje ir vykdymo perkėlimo į serverį pagrįstą modelį. Apskritai norite, kad treniruočių komplektas būtų izoliuotas, kad turėtumėte aiškų vaizdą, kur prasideda ir baigiasi treniruotės, kur prasideda testai. Šiame „KDNuggets“ straipsnyje kalbama apie šiurkštų principą, taip pat aptariamos kitos priežastys, kodėl treniruočių rinkiniai turi būti atskirti nuo vietinio kompiuterio. Dar viena pagrindinė šio modelio vertės nuostata yra ta, kad mokymo ir testų rinkiniai pagal labai skirtingas architektūras niekada nebus supainioti dėl bendro traukinių / testų paskirstymo!
Kitas įdomus privalumas susijęs su kibernetiniu saugumu. Ekspertai pabrėžia, kad jei pradinius traukinių procesus naudojate vietiniame kompiuteryje, jis neturi būti prijungtas prie interneto! Tai iš esmės išplečia saugumą, „inkubuodami“ procesą, kol jis pasiekia gamybos pasaulį, kur jūs turite sukurti tinkamą serverio modelio apsaugą.
Be to, kai kurie iš šių „izoliuotų“ modelių gali padėti spręsti tokias problemas kaip koncepcijos dreifas ir paslėpti kontekstai - „nestabilumo“ principas įspėja kūrėjus, kad duomenys „nesikeičia“ laikui bėgant (atsižvelgiant į tai, kas matuojama) ir kad bandymo fazę suderinti su traukinio faze gali prireikti daug pritaikymo. Arba kai kuriais atvejais traukinio ir bandymo procesai susimaišo, sukurdami painiavą.
Pirmą kartą įdiegus bandymo fazę serveryje, gali būti lengviau pritaikyti įvairius „juodosios dėžės“ modelius, kuriuose bus išspręsta duomenų pritaikymo problema. Kai kuriais atvejais tai pašalina nereikalingą pakeitimų užsakymų pateikimo keliose platformose procesą.
Be to, serverio aplinka, be abejo, tarnauja realiojo laiko arba dinaminiams procesams, kuriuose inžinieriai nori pasiekti duomenų perdavimo ir kodų modelius, kurie geriausiai tinka ML. Pavyzdžiui, „AWS Lambda“ gali būti patraukli parinktis tvarkant gamybos mikrofunkcijas (arba „Lambda“ ir S3 objektų saugyklų derinį) ir be ryšio (be serverio), kuris tampa neįmanomas.
Tai yra keletas klausimų, apie kuriuos kūrėjai gali pagalvoti, kai jie skirsto mokymo ML etapus nuo testavimo ir gamybos.
