Որտե՞ղ եք մշակում ML մոդելները: Որտե՞ղ եք դրանք ներկայացնում հեռավար վերապատրաստման:
Ահա թե ինչ ենք մենք տեսել տվյալների գիտնականներից, հետազոտողներից և ML ինժեներներից:
💻 Զարգացում
Միջին հաշվով, մարդիկ, որոնց հետ մենք խոսում ենք, օգտագործում են զարգացման 3 տարբեր միջավայրեր:
Հակիրճության համար մենք այս օգտատերերի խմբին կանվանենք որպես «ML մշակողներ»:
Սովորական է տեսնել, որ ML ծրագրավորողները օգտագործում են տեղական Jupyter նոթատետրեր փորձերի մեծ մասի համար, փոխակերպում են սկրիպտներ IDE-ում ավելի լայն ուսուցման համար և հաճախ հասնում են Colab-ին (հաճախ խորը ուսուցման օգտագործման դեպքերի համար):
☁️ Ուսուցում
Գալիս է մի պահ, երբ ML մշակողները ցանկանում են իրականացնել հեռավար ուսուցում, կամ այն պատճառով, որ նրանք օգտագործում են շատ ավելի մեծ տվյալների բազա, փորձում են տարբեր ալգորիթմներ, կամ անում են հիպերպարամետրերի մաքրում:
Աշխատանքային հոսքի այս հատվածը գործարկելու լավագույն միջոցը, հավանաբար, խմբաքանակային աշխատանքն է, որտեղ մոդել(ներ)ը կարող է գործարկվել հետին պլանում:
Փաթեթային աշխատանքներով դուք կարող եք փակել զննարկիչի ներդիրները և ստիպված չեք լինի ապավինել կայուն ինտերնետային կապին՝ վերապատրաստման ավարտի համար:
Մտածեք դրա մասին, ինչպես «կրակ և մոռացեք»:
Բայց սա այն վայրն է, որտեղ մենք նկատեցինք մարտահրավեր.
ML ծրագրավորողները բախվում են խմբաքանակային աշխատանքներ իրականացնելիս՝ հաճախ կարիք ունենալով ուրիշների վրա հույս դնել՝ հզոր մեքենաները կառավարելու կամ համատեքստերը/գործիքները փոխելու համար նույնիսկ աշխատանք ներկայացնելու համար:
օր. տվյալների գիտնականները փոխհարաբերվում են Kubernetes-ի հետ
Optumi-ը դա շատ ավելի հեշտացնում է և ML ծրագրավորողներին տալիս է միասնական ինտերֆեյս՝ ցանկացած զարգացման միջավայրից աշխատատեղեր գործարկելու համար:
Գործարկեք IDE-ից, ինչպիսին է VSCode-ը, մեր JupyterLab ընդլայնումը կամ անմիջապես Colab-ից. դա նույն փորձն է: