J:
Kāpēc ir svarīga mērogojama mašīnu apguve?
A:Mērogojama mašīnmācīšanās ir būtisks buzzword mašīnmācības nozarē, daļēji tāpēc, ka mašīnmācīšanās procesu mērogošana ir svarīgs un izaicinošs aspekts daudzos mašīnmācīšanās projektos.
Piemēram, dažiem mazākiem mašīnmācīšanās projektiem var nebūt nepieciešams tik liels mērogs, bet, kad inženieri domā par dažāda veida produktīvu modelēšanu, mēģinot vadīt gigantisku datu kopu analīzi vai mēģinot izmantot mašīnmācīšanos dažādās aparatūras vidēs, mērogojamība var nozīmē visu.
| Bezmaksas lejupielāde: mašīnmācīšanās un kāpēc tas ir svarīgi |
Mērogojama mašīnu apguve ir svarīga, ja ir skaidrs, ka projekta apjoms pārsniegs sākotnējo iestatījumu. Var būt vajadzīgas dažādas algoritmu pieejas, lai palīdzētu mašīnmācīšanās procesiem saskaņot citus datu analīzes procesus. Mašīnmācībai var būt nepieciešami vairāk resursu vienam un tam pašam datu kopumam.
Runājot par izmantotajiem rīkiem, Apache Hadoop bieži tiek izmantots ārkārtīgi lielām datu kopām, piemēram, apmēram 5 TB. Zem šīs atzīmes ir citi vidēja līmeņa rīki, kas, iespējams, labi veiks darbu, piemēram, Pandas, Matlab un R. IT speciālisti pielāgos rīkus vajadzīgajam mērogojamības līmenim. Viņi sapratīs, cik daudz darba mašīnmācīšanās programmu ir jādara un kā tām jābūt aprīkotām, lai sasniegtu šos mērķus.
Līdztekus spējai mērogot līdz daudz lielākiem datu kopumiem pēc vairāku terabaitu secības, vēl viens izaicinājums mērogojamām mašīnmācībām ir tādas sistēmas izstrāde, kas darbotos vairākos mezglos. Dažas pamata mašīnmācīšanās sistēmas var būt iestatītas tikai darbībai ar atsevišķu datoru vai aparatūras komponentu. Bet, kad mašīnmācīšanās procesiem jābūt mijiedarbīgiem ar vairākiem mezgliem, būs nepieciešama atšķirīga pieeja. Mašīnmācīšanās darboties izkliedētā arhitektūrā ir vēl viena liela mērogojamā mašīnmācīšanās sastāvdaļa. Apsveriet situāciju, kad mašīnmācīšanās algoritmiem ir jāpiekļūst datiem no desmitiem vai pat simtiem serveru - tas prasīs ievērojamu mērogojamību un daudzpusību.
Vēl viens mērogojamas mašīnu apguves virzītājspēks ir dziļās mācīšanās process, kurā inženieri un ieinteresētās personas var iegūt vairāk rezultātu, iedziļinoties datu kopās un manipulējot ar tām dziļākos veidos. Dziļās mācīšanās projekti ir lielisks piemērs tam, kā uzņēmumiem var nākties pieņemt mērogojamu mašīnu apguves stratēģiju, lai sasniegtu nepieciešamās iespējas. Tā kā dziļās mācības turpina attīstīties, tas radīs spiedienu uz mašīnmācīšanās sistēmām, lai tās būtu efektīvākas.
