Q:
Hvordan kan containerisering være et godt valg i et maskinlæringsprojektmiljø?
EN:Nogle virksomheder bevæger sig hen imod containerisering til maskinindlæringsprojekter, baseret på nogle af de fordele, container opsætninger tilbyder med hensyn til platforme og softwaremiljøer.
Maskinindlæring er kompleks - algoritmerne udfører i sig selv meget detaljerede og komplicerede handlinger på data. Værdipropositionen er dog på nogle måder temmelig enkel - maskinlæringsalgoritmerne fungerer på data, der kommer ind fra lagermiljøer.
| Gratis download: Machine Learning og Why It Matters |
Brug af containere involverer, hvordan ingeniører sætter dataene i maskinens læringsmiljø, og hvordan algoritmerne fungerer.
Ingeniører kan bruge containervirtualisering enten til at huse dataene eller til at implementere den kode, der kører algoritmerne. Selvom containere kan være nyttige til data, kommer deres største fordel sandsynligvis i deres brug til at huse algoritmekode.
Containerarkitekturer indeholder selvforsynede apps og kodebaser. Hver container får sin egen operativsystemklon, og den får et komplet driftsmiljø til app- eller kodefunktionsættet, der bor inde i det.
Som et resultat kan de individuelle apps, mikroservices eller kodebaser, der er i hver container, distribueres på meget alsidige måder. De kan implementeres i forskellige platforme og forskellige miljøer.
Antag nu, at du prøver at forbedre et maskinindlæringsprojekt, hvor forskellige algoritmer skal arbejde på forskellige stykker data på en iterativ måde. Hvis du bliver træt af at tackle udfordringer på tværs af platforme eller afhængighedsproblemer eller situationer, hvor det er vanskeligt at udføre bare metal, kan containere være løsningen.
I det væsentlige giver containerne en måde at være vært for kode på. Eksperter taler om at indsætte containerne mod de lagrede data for at få gode resultater.
”(Apps) kan blandes og matches i et hvilket som helst antal platforme, med praktisk talt ingen porting eller test krævet, ” skriver David Linthicum i en TechBeacon-artikel, der fortæller om værdien af containere til maskinindlæringsprojekter, “fordi de findes i containere, de kan fungere i et stærkt distribueret miljø, og du kan placere disse containere tæt på de data, applikationerne analyserer. ”
Linthicum fortsætter med at tale om at udsætte maskinuddannelsestjenester som mikroservices. Dette tillader eksterne applikationer - containerbaseret eller ej - til at udnytte disse tjenester til enhver tid uden at skulle flytte koden inde i applikationen.
I en meget grundlæggende forstand handler containerdistribution om at gøre funktionaliteten i maskinlæringsprogrammet mere tilpasningsdygtig - at fjerne sig med siloer og unødvendige forbindelser - og igen afhængigheder - der kan ødelægge et projekt. For et magert, middel-maskinindlæringsprojekt, hvis de enkelte dele af algoritmer eller applikationer eller funktionalitet er indeholdt i containere, er det nemt at mikromane disse selvstændige stykker og skabe komplekse maskinindlæring produktprojekter i overensstemmelse hermed.
