Q:
Hvordan kan containering være et godt valg for et prosjekt for miljølæring i maskiner?
EN:Noen selskaper går mot containerisering for maskinlæringsprosjekter, basert på noen av fordelene som containeroppsett gir i forhold til plattformer og programvaremiljøer.
Læring av maskiner er kompleks - algoritmene i seg selv utfører mange veldig detaljerte og kompliserte handlinger på data. Verdiproposisjonen er imidlertid på noen måter ganske enkel - maskinlæringsalgoritmene fungerer på data som kommer inn fra lagringsmiljøer.
| Gratis nedlasting: Machine Learning og Why It Matters |
Bruk av containere innebærer hvordan ingeniører legger dataene inn i maskinens læringsmiljø, og hvordan algoritmene fungerer.
Ingeniører kan bruke containervirtualisering enten for å huse dataene, eller for å distribuere koden som kjører algoritmene. Selv om containere kan være nyttige for data, kommer sannsynligvis deres viktigste fordel i bruken av å huske algoritmekode.
Containerarkitekturer har selvstendige apper og kodebaser. Hver container får sin egen operativsystemklone, og den får et fullstendig operasjonsmiljø for appen eller kodefunksjonssettet som bor inne i den.
Som et resultat kan de enkelte appene, mikroservicene eller kodebasene som er i hver container distribueres på svært allsidige måter. De kan distribueres i forskjellige plattformer og forskjellige miljøer.
Anta at du prøver å sette opp et maskinlæringsprosjekt der forskjellige algoritmer må jobbe med forskjellige dataoppgaver på en iterativ måte. Hvis du blir lei av å takle utfordringer på tvers av plattformer eller avhengighetsproblemer eller situasjoner der bare metallutplassering er vanskelig, kan containere være løsningen.
I hovedsak gir containerne en måte å være vert for kode på. Eksperter snakker om å distribuere containerne opp mot lagrede data for å få gode resultater.
"(Appene) kan blandes og matches i et hvilket som helst antall plattformer, uten praktisk talt ingen porting eller testing, " skriver David Linthicum i en TechBeacon-artikkel som utstråler verdien av containere for maskinlæringsprosjekter, "fordi de finnes i containere, kan de operere i et sterkt distribuert miljø, og du kan plassere disse beholderne i nærheten av dataene applikasjonene analyserer. "
Linthicum fortsetter med å snakke om å avsløre maskinlæringstjenester som mikroservices. Dette lar eksterne applikasjoner - containerbasert eller ikke - utnytte disse tjenestene når som helst uten å måtte flytte koden i applikasjonen.
På en veldig grunnleggende måte handler containerdistribusjon om å gjøre funksjonaliteten til maskinlæringsprogrammet mer tilpasningsdyktig - å fjerne unna siloer og unødvendige tilkoblinger - og igjen avhengigheter - som kan forkrøme et prosjekt. For et magert, maskinelt læringsprosjekt, hvis de enkelte delene av algoritmene eller applikasjonene eller funksjonaliteten er plassert inne i containere, er det enkelt å mikrostyre disse selvstendige brikkene og lage komplekse maskinlæringsproduktprosjekter deretter.
