![プラットフォームまたはAWSの持参の機械学習アルゴリズムのどちらが良いですか? googletag.cmd.push(function(){googletag.display(div-gpt-ad-1562928221186-0);}); Q: - 技術 プラットフォームまたはAWSの持参の機械学習アルゴリズムのどちらが良いですか? googletag.cmd.push(function(){googletag.display(div-gpt-ad-1562928221186-0);}); Q: - 技術](https://a.continuousdev.com/technology/whats-better-a-platform-or-a-bring-your-own-machine-learning-algorithm-on-aws-googletagcmdpushfunction-googletag.displaydiv-gpt-ad-1562928221186-0-q.jpg)
コンテンツ
Q:
プラットフォームまたはAWSの持参の機械学習アルゴリズムのどちらが良いですか?
A:
最近では、多くの企業が機械学習ソリューションを分析ツールセットに統合して、ブランド管理を強化し、顧客体験を向上させ、運用効率を向上させています。機械学習モデルは、機械学習ソリューションの中核コンポーネントです。モデルは、信頼できる予測を行うために、数学的アルゴリズムと大規模なデータセットを使用してトレーニングされます。予測の2つの一般的な例は、(1)金融取引のセットが詐欺を示すかどうかを判断するか、(2)ソーシャルメディアから収集された入力に基づいて、製品に関する消費者の感情を評価します。
Amazon SageMakerは、開発者とデータサイエンティストが機械学習モデルを構築、トレーニング、デプロイできるようにする完全に管理されたサービスです。 SageMakerでは、すぐに使用できるアルゴリズムを使用したり、よりカスタマイズされたソリューションを実現するための独自の方法を使用したりできます。どちらの選択肢も有効であり、機械学習ソリューションを成功させるための基盤として等しく役立ちます。
(編集者のメモ:SageMakerのその他の代替方法については、こちらをご覧ください。)
SageMakerのすぐに使用可能なアルゴリズムには、画像分類、自然言語処理などの一般的で高度に最適化された例が含まれています。完全なリストは ここに.
- すぐに使える利点: これらのアルゴリズムは事前に最適化されています(そして継続的に改善されています)。迅速に稼働、展開できます。さらに、AWSの自動ハイパーパラメーターチューニングが利用できます。
- すぐに使用可能な考慮事項: 上記の継続的な改善により、アルゴリズムの実装を完全に制御できる場合ほど予測どおりの結果が得られない場合があります。
これらのアルゴリズムがプロジェクトに適していない場合は、他に3つの選択肢があります。(1)AmazonのApache Sparkライブラリ、(2)カスタムPythonコード(TensorFLowまたはApache MXNetを使用)、または(3)「独自のもの」本質的に制約はありませんが、モデルをトレーニングして提供するためにDockerイメージを作成する必要があります(手順を使用して行うことができます) ここに).
独自のアプローチにより、完全な自由が得られます。これは、現在の標準セットでは表現できないカスタムおよび/または独自のアルゴリズムコードのライブラリをすでに構築しているデータサイエンティストにとって魅力的かもしれません。
- 持ち込みの利点: 独自のIPの使用とともに、データサイエンスパイプライン全体を完全に制御できます。
- 持ち込みの考慮事項: 結果のモデルをトレーニングして提供するには、Dockerizationが必要です。アルゴリズムの改善を組み込むことはあなたの責任です。
アルゴリズムの選択に関係なく、データサイエンスの観点から使いやすさに重点が置かれていることを考えると、SageMaker on AWSは検討する価値のあるアプローチです。機械学習プロジェクトをローカル環境からホストされた環境に移行しようとしたことがある場合、SageMakerがどのようにシームレスになっているのかに驚くでしょう。また、ゼロから始める場合は、どれだけ手元にあるのかを考えれば、目標にすでにいくつかのステップが近づいています。