Vsebina
V:
Kako je lahko vsebništvo dobra izbira za projektno okolje strojnega učenja?
A:
Nekatera podjetja se premikajo k vsebinarstvu za projekte strojnega učenja, ki temeljijo na nekaterih koristih, ki jih nudijo nastavitve vsebnikov v smislu platform in programskega okolja.
Strojno učenje je zapleteno - algoritmi sami izvajajo veliko zelo podrobnih in zapletenih dejanj na podatkih. Vendar je predloga vrednosti na nek način precej preprosta - algoritmi strojnega učenja delujejo na podatkih, ki prihajajo iz okolja za shranjevanje.
Uporaba vsebnikov vključuje, kako inženirji podatke vnašajo v strojno učno okolje in kako algoritmi delujejo.
Inženirji lahko uporabljajo virtualizacijo vsebnika bodisi za shranjevanje podatkov bodisi za uporabo kode, ki poganja algoritme. Čeprav so zabojniki lahko koristni za podatke, je njihova glavna prednost verjetno v tem, da uporabljajo kodo algoritma.
Arhitekture vsebnikov vsebujejo samostojne aplikacije in kode. Vsak vsebnik dobi svoj klon operacijskega sistema in dobi celotno operacijsko okolje za nabor funkcije ali kode, ki živi v njem.
Posledično lahko posamezne aplikacije, mikroservice ali zbirke kod, ki so v posameznem vsebniku, uvedejo na zelo vsestranski način. Namestimo jih lahko na različnih platformah in različnih okoljih.
Predpostavimo, da poskušate razširiti projekt strojnega učenja, v katerem morajo različni algoritmi iterativno delovati na različnih delih podatkov. Če se naveličate ukvarjati z izzivi na več platformah ali z odvisnostnimi težavami ali situacijami, v katerih je uporaba golih kovin težavna, so zabojniki lahko rešitev.
V bistvu zabojniki ponujajo način gostovanja kode. Strokovnjaki govorijo o razmeščanju vsebnikov proti shranjenim podatkom, da dobite dobre rezultate.
"(Aplikacije) je mogoče mešati in primerjati na poljubnem številu platform, pri čemer praktično ni potrebno nobeno prenašanje ali testiranje," piše David Linthicum v članku TechBeacon, ki razkriva vrednost vsebnikov za projekte strojnega učenja, "ker obstajajo v zabojnikih , lahko delujejo v zelo porazdeljenem okolju, te posode pa lahko postavite blizu podatkov, ki jih aplikacije analizirajo. "
Linthicum nadalje govori o izpostavljanju storitev strojnega učenja kot mikroservisov. To omogoča zunanjim aplikacijam - na osnovi vsebnika ali ne -, da te storitve kadar koli uporabijo, ne da bi bilo treba kode premikati znotraj aplikacije.
V zelo osnovnem smislu je uporaba vsebnikov namenjena temu, da funkcionalnost programa strojnega učenja postane bolj prilagodljiva - odpravljanje silosov in nepotrebnih povezav - in spet odvisnosti -, ki lahko osakajo projekt. Pri vitkem in srednjem projektu strojnega učenja, če so posamezni deli algoritmov ali aplikacij ali funkcionalnosti nameščeni znotraj vsebnikov, je enostavno upravljati te samostojne dele in temu primerno ustvariti zapletene projekte strojnega učenja.