T:
Bakit ang pagsasanay sa pag-aaral ng machine (ML) sa isang lokal na makina at pagkatapos ay magpapatakbo ng regular na pagpapatupad sa isang server?
A:Ang tanong kung paano gawing istraktura ang isang proyekto sa pag-aaral ng machine at ang mga phase at test phase nito ay may kinalaman sa kung paano kami lumipat sa ML "life cycle" at dalhin ang programa mula sa isang kapaligiran sa pagsasanay sa isang kapaligiran sa paggawa.
Ang isa sa mga pinakasimpleng kadahilanan na gamitin ang nasa itaas na modelo ng paglalagay ng pagsasanay sa ML sa isang lokal na makina at pagkatapos ang paglipat ng pagpapatupad sa isang sistema na batay sa server ay ang pakinabang ng mahahalagang paghihiwalay ng mga tungkulin. Sa pangkalahatan, nais mo ang set ng pagsasanay na ihiwalay, upang magkaroon ka ng isang malinaw na larawan kung saan nagsisimula at humihinto ang pagsasanay, at kung saan magsisimula ang pagsubok. Ang artikulong KDNuggets na ito ay nagsasalita sa prinsipyo sa isang magaspang na uri habang dinadaan ang ilan sa iba pang mga kadahilanan upang ibukod ang mga set ng pagsasanay sa isang lokal na makina. Ang isa pang pangunahing panukala ng halaga para sa modelong ito ay, kasama ang mga pagsasanay at mga set ng pagsubok sa iba't ibang mga arkitektura, hindi ka malilito tungkol sa magkakasamang alok ng tren / pagsubok!
Ang isa pang nakawiwiling benepisyo ay may kinalaman sa cybersecurity. Itinuturo ng mga eksperto na kung mayroon kang mga paunang proseso ng tren sa isang lokal na makina, hindi ito kailangang konektado sa internet! Pinapalawak nito ang seguridad sa isang pangunahing paraan, "incubating" ang proseso hanggang sa maabot nito ang mundo ng produksyon, kung saan kailangan mong bumuo ng sapat na seguridad sa modelo ng server.
Bilang karagdagan, ang ilan sa mga "nakahiwalay" na mga modelo ay maaaring makatulong sa mga problema tulad ng konsepto naaanod at nakatagong mga konteksto - ang prinsipyo ng "non-stationality" ay nagbabalaan sa mga developer na ang data ay hindi "manatiling pareho" sa paglipas ng panahon (depende sa kung ano ang sinusukat) at na maaari itong tumagal ng maraming kakayahang umangkop upang makagawa ng isang pagsubok sa yugto ng pagsubok sa isang yugto ng tren. O, sa ilang mga kaso, ang mga proseso ng tren at pagsubok ay pinagsama, na lumilikha ng pagkalito.
Ang pag-install ng phase ng pagsubok sa isang server sa kauna-unahang pagkakataon ay maaaring mapabilis ang iba't ibang mga modelo ng "itim na kahon" kung saan ayusin mo ang problema ng data adaptability. Sa ilang mga kaso, tinatanggal nito ang labis na proseso ng paglalagay ng mga order sa pagbabago sa maraming mga platform.
Pagkatapos, din, ang kapaligiran ng server ay malinaw na nagsisilbi sa real-time o mga dynamic na proseso kung saan nais ng mga inhinyero na ma-access ang data transfer at mga modelo ng code na pinakamahusay na gumagana para sa produksyon sa ML. Halimbawa, ang AWS Lambda ay maaaring isang kaakit-akit na pagpipilian para sa paghawak ng mga microfunctions ng produksyon (o isang kumbinasyon ng imbakan ng Lambda at S3 na object) at walang koneksyon (nang walang isang server) na nagiging imposible.
Ito ang ilan sa mga isyu na maaaring isipin ng mga developer kapag isinasaalang-alang nila kung paano mahati ang pagsasanay sa mga ph phase mula sa pagsubok at paggawa.
