Интерпретация вкусностей машинного обучения в гурмане
Соавтор, также известный как партнер по всем: Аннуша Сринивасан (Аннуша Сринивасан)
Когда мы начали изучать машинное обучение, мы поняли, что на рынке доступно множество решений от концепции до производства. Чтобы упростить и понять варианты, наш первоначальный подход заключался в понимании концепций из MOOC, практическом кодировании с использованием классических пакетов ML, таких как Numpy, Pandas, Scikit Learn, NLTK, Matplotlib ... в основном с использованием Python / R в Anaconda / Pycharm / Rstudio как IDE.
Хотя было легко запачкать руки и увидеть всю мощь машинного обучения, это стало сложным, когда классический подход машинного обучения был применен для решения реальных проблем. Проблемы усугублялись из-за многих факторов, таких как доступность / качество обучающих данных, несбалансированные наборы данных, требования к проектированию функций, более низкая точность, точность….
Когда мы создавали классификатор на основе машинного обучения для задачи классификации НЛП для бизнес-требований, мы столкнулись с проблемами в виде выбора функций, несбалансированного набора данных, настройки гиперпараметров и т. Д.
Чтобы повысить точность прогнозов, мы хотели попробовать решения для глубокого обучения. Именно тогда мы наткнулись на предложения решений AutoML / SaaS в GCP, H20, AWS. В этой статье мы упростим различные варианты предложений машинного обучения от Google Cloud Platform (GCP).
Взгляд гурманов на машинное обучение
Многие из нас, должно быть, наслаждались рисовой лапшой / String Hoppers / Idiyappam.
Теперь давайте посмотрим, как мы можем сопоставить приготовление лапши с машинным обучением.
Готовим !!
Варианты машинного обучения - ваш выбор?
Домашние предложения (или) полуфабрикаты (или) полностью приготовленные (готовые к употреблению)
продукты?
Разве это не выбор, который нам приходится делать несколько раз в повседневной жизни? Выбор никогда не бывает прежним. Это зависит от ряда факторов - для какой цели, количества людей, которых нужно накормить, опыта в приготовлении пищи, времени на приготовление, ограничений по стоимости…
Сопоставляя наш пример выбора продуктов питания, предложения машинного обучения в GCP можно разделить на следующие категории.
Традиционные структуры DIY / ML предпочтительнее, когда нам нужно индивидуальное решение, которое удовлетворяет наши конкретные бизнес-потребности или решение, существующее на рынке, не решает существующую проблему. GCP предоставляет унифицированную платформу машинного обучения для создания, развертывания и масштабирования эффективных моделей искусственного интеллекта. Мы также можем использовать сложную инфраструктуру GCP для рентабельного обучения моделей глубокого обучения и машинного обучения с помощью возможностей сквозной интеграции. Хотя он предоставляет нам полный контроль и возможности настройки, этот выбор требует дополнительных знаний, времени, затрат и усилий.
Auto ML позволяет командам с ограниченным опытом машинного обучения обучать высококачественные пользовательские модели машинного обучения с минимальными усилиями. Когда имеется достаточно качественных данных для обучения и вариант использования не является уникальным, Auto ML от GCP может стать многообещающим решением для изучения. AutoML Natural Language (текст), AutoML Tables (структурированные данные), AutoML Video Intelligence и AutoML Vision теперь доступны в новом унифицированном Vertex AI.
Предварительно обученные API машинного обучения, предоставляемые GCP, легко добавляют возможности машинного зрения, видео, перевода и естественного языка машинного обучения в существующие / новые приложения. Эти API-интерфейсы готовы к работе и не требуют каких-либо обучающих данных или построения пользовательских моделей.
Ниже приведен снимок, на котором показано владение ML Steps на основе разновидностей. Как вы можете заметить, степень владения снижается по мере того, как мы переходим от моделей DIY к подходу API.
Стоимость внедрения решения варьируется в зависимости от спектра. По мере того, как все больше компаний переходят в облако, вместо того, чтобы создавать решения с нуля, если мы сможем использовать существующие решения для общих проблем, это может помочь нам в создании прототипов и более быстром взаимодействии с клиентами.
Итак, модели DIY ML (или) Auto ML (или) API машинного обучения?
Выбор никогда не бывает прежним. Это зависит от ряда факторов - опыта в области ML, времени выхода на рынок, уникальности проблемы, доступности данных, стоимости, усилий…
«Один размер не подходит всем»
Отказ от ответственности: это мой личный блог Medium, поэтому все, что я публикую, делюсь и комментирую, не отражает моего работодателя.
