콘텐츠
큐:
AWS의 플랫폼 또는 자체 머신 러닝 알고리즘이 더 낫습니까?
에이:
오늘날 많은 회사는 기계 학습 솔루션을 분석 도구 세트에 통합하여 브랜드 관리를 강화하고 고객 경험을 개선하며 운영 효율성을 높입니다. 기계 학습 모델은 기계 학습 솔루션의 핵심 구성 요소입니다. 신뢰할 수있는 예측을 위해 수학적 알고리즘과 큰 데이터 세트를 사용하여 모델을 학습합니다. 예측의 두 가지 일반적인 예는 (1) 일련의 금융 거래가 사기를 나타내는 지 결정하거나 (2) 소셜 미디어에서 수집 한 입력을 기반으로 제품에 대한 소비자 감정을 평가하는 것입니다.
Amazon SageMaker는 개발자와 데이터 과학자가 머신 러닝 모델을 구축, 교육 및 배포 할 수있는 완전 관리 형 서비스입니다. SageMaker에서는 즉시 사용 가능한 알고리즘을 사용하거나보다 맞춤화 된 솔루션을위한 고유 한 경로를 이용할 수 있습니다. 두 가지 선택 모두 유효하며 성공적인 머신 러닝 솔루션의 기초가됩니다.
(편집자 주 : 여기서 SageMaker의 다른 대안을 볼 수 있습니다.)
SageMaker의 기본 알고리즘에는 이미지 분류, 자연어 처리 등을 위해 널리 최적화되고 널리 사용되는 예제가 포함되어 있습니다. 전체 목록을 찾을 수 있습니다. 이리.
- 즉시 사용 가능한 장점 : 이 알고리즘은 사전 최적화되었으며 지속적으로 개선되고 있습니다. 빠르게 가동, 실행 및 배포 할 수 있습니다.또한 AWS 자동 하이퍼 파라미터 튜닝이 가능합니다.
- 즉시 사용 가능한 고려 사항 : 위에서 언급 한 지속적인 개선으로 알고리즘 구현을 완전히 제어하는 것처럼 예측 가능한 결과를 얻지 못할 수 있습니다.
이러한 알고리즘이 프로젝트에 적합하지 않은 경우 (1) Amazon의 Apache Spark 라이브러리, (2) 사용자 정의 Python 코드 (TensorFLow 또는 Apache MXNet을 사용하는) 또는 (3) "자신을 가져 오십시오" 본질적으로 제약이 없지만 모델을 교육하고 제공하려면 Docker 이미지를 만들어야합니다 (지침을 사용하여 수행 할 수 있음) 이리).
자신 만의 방식으로 완벽한 자유를 누리십시오. 이는 현재 기본 제공되지 않는 사용자 지정 및 / 또는 독점 알고리즘 코드 라이브러리를 이미 구축 한 데이터 과학자에게 매력적일 수 있습니다.
- 당신 만의 장점 : 독점적 IP 사용과 함께 전체 데이터 과학 파이프 라인을 완벽하게 제어 할 수 있습니다.
- 자신 만의 고려 사항 : 결과 모델을 학습하고 제공하려면 Dockerization이 필요합니다. 알고리즘 개선을 통합하는 것은 귀하의 책임입니다.
알고리즘 선택에 관계없이 AWS의 SageMaker는 데이터 과학 관점에서 사용 편의성에 얼마나 많은 초점을 두 었는지 고려할 가치가있는 접근 방식입니다. 머신 러닝 프로젝트를 로컬 환경에서 호스팅 된 환경으로 마이그레이션하려고 시도한 경우 SageMaker가 얼마나 매끄럽게 진행되는지에 놀랄 것입니다. 처음부터 시작하는 경우 이미 손끝이 얼마인지를 고려할 때 목표에 몇 단계 더 가까이 다가갔습니다.