Ερ:
Γιατί τρέχετε την εκμάθηση μηχανικής μάθησης (ML) σε ένα τοπικό μηχάνημα και στη συνέχεια τρέχετε κανονική εκτέλεση σε ένα διακομιστή;
ΕΝΑ:Το ζήτημα του τρόπου δομής ενός έργου μηχανικής μάθησης και των φάσεων της αμαξοστοιχίας και των δοκιμών έχει πολλά να κάνει με το πώς κινούμαστε μέσα από τον «κύκλο ζωής» του ML και να μεταφέρουμε το πρόγραμμα από ένα περιβάλλον εκπαίδευσης σε ένα περιβάλλον παραγωγής.
Ένας από τους απλούστερους λόγους για να χρησιμοποιήσετε το παραπάνω μοντέλο της τοποθέτησης της εκπαίδευσης ML σε ένα τοπικό μηχάνημα και στη συνέχεια να μετακινήσετε την εκτέλεση σε ένα σύστημα που βασίζεται σε διακομιστές είναι το πλεονέκτημα του ουσιαστικού διαχωρισμού των καθηκόντων. Γενικά, θέλετε το σετ εκπαίδευσης να είναι απομονωμένο, έτσι ώστε να έχετε μια σαφή εικόνα του πού ξεκινά και σταματάει η εκπαίδευση και πού αρχίζει η δοκιμή. Αυτό το άρθρο του KDNuggets μιλάει στην αρχή με ένα χονδροειδές τρόπο, ενώ ταυτόχρονα περνάει και από κάποιους άλλους λόγους για να απομονώνει εκπαιδευτικά σετ σε μια τοπική μηχανή. Μια άλλη βασική πρόταση αξίας για αυτό το μοντέλο είναι ότι, με την κατάρτιση και τις δοκιμές σε πολύ διαφορετικές αρχιτεκτονικές, ποτέ δεν θα μπερδέψετε για κοινή εκχώρηση τρένων / δοκιμών!
Ένα άλλο ενδιαφέρον όφελος έχει να κάνει με την ασφάλεια στον κυβερνοχώρο. Οι ειδικοί επισημαίνουν ότι εάν έχετε τις αρχικές διαδικασίες τρένων σε μια τοπική μηχανή, δεν χρειάζεται να συνδεθείτε στο διαδίκτυο! Αυτό διευρύνει την ασφάλεια με έναν θεμελιώδη τρόπο, "επωάζοντας" τη διαδικασία μέχρι να βρεθεί στον κόσμο παραγωγής, όπου στη συνέχεια πρέπει να δημιουργήσετε επαρκή ασφάλεια στο μοντέλο διακομιστή.
Επιπλέον, μερικά από αυτά τα "απομονωμένα" μοντέλα μπορεί να βοηθήσουν σε προβλήματα όπως η ρήξη της έννοιας και τα κρυφά πλαίσια - η αρχή της μη διακριτικότητας προειδοποιεί τους προγραμματιστές ότι τα δεδομένα δεν παραμένουν τα ίδια με την πάροδο του χρόνου (ανάλογα με το τι μετριέται) ότι μπορεί να χρειαστεί μεγάλη προσαρμοστικότητα για να φτιάξει μια δοκιμαστική φάση σε μια φάση αμαξοστοιχίας. Ή, σε ορισμένες περιπτώσεις, οι διαδικασίες της αμαξοστοιχίας και των δοκιμών συνδυάζονται, δημιουργώντας σύγχυση.
Η ανάπτυξη της δοκιμαστικής φάσης σε ένα διακομιστή για πρώτη φορά μπορεί να διευκολύνει διάφορα μοντέλα "μαύρου κουτιού", όπου μπορείτε να διορθώσετε το πρόβλημα της προσαρμοστικότητας των δεδομένων. Σε ορισμένες περιπτώσεις, εξαλείφει την περιττή διαδικασία της τοποθέτησης εντολών αλλαγής σε πολλές πλατφόρμες.
Στη συνέχεια, το περιβάλλον του διακομιστή εξυπηρετεί προφανώς τις πραγματικές ή δυναμικές διαδικασίες στις οποίες οι μηχανικοί θα επιθυμούν να έχουν πρόσβαση στα μοντέλα μεταφοράς δεδομένων και κωδικών που λειτουργούν καλύτερα για την παραγωγή σε ML. Για παράδειγμα, το AWS Lambda μπορεί να είναι μια ελκυστική επιλογή για το χειρισμό των μικρολειτουργιών της παραγωγής (ή συνδυασμός αποθήκευσης αντικειμένων Lambda και S3) και χωρίς συνδεσιμότητα (χωρίς διακομιστή) που καθίσταται αδύνατη.
Αυτά είναι μερικά από τα θέματα που οι προγραμματιστές μπορούν να σκεφτούν όταν σκέφτονται πώς να χωρίσουν τις φάσεις κατάρτισης ML από τη δοκιμή και την παραγωγή.
