Isi
Q:
Bagaimana kontainerisasi dapat menjadi pilihan yang baik untuk lingkungan proyek pembelajaran mesin?
SEBUAH:
Beberapa perusahaan sedang bergerak ke arah containerisasi untuk proyek-proyek pembelajaran mesin, berdasarkan pada beberapa manfaat yang ditawarkan pengaturan wadah dalam hal platform dan lingkungan perangkat lunak.
Pembelajaran mesin itu rumit - algoritmanya sendiri melakukan banyak tindakan yang sangat terperinci dan rumit pada data. Namun, proposisi nilai, dalam beberapa hal, cukup sederhana - algoritma pembelajaran mesin bekerja pada data yang masuk dari lingkungan penyimpanan.
Penggunaan kontainer melibatkan bagaimana para insinyur memasukkan data ke dalam lingkungan pembelajaran mesin, dan bagaimana algoritma bekerja.
Insinyur dapat menggunakan virtualisasi wadah untuk menampung data, atau untuk menyebarkan kode yang menjalankan algoritma. Meskipun wadah dapat membantu untuk data, manfaat utama mereka mungkin datang dalam penggunaannya untuk kode algoritma rumah.
Arsitektur kontainer menampilkan aplikasi dan basis kode mandiri. Setiap kontainer mendapatkan klon sistem operasinya sendiri, dan itu memiliki lingkungan operasi penuh untuk set fungsi aplikasi atau kode yang hidup di dalamnya.
Akibatnya, aplikasi individual, layanan mikro atau basis kode yang ada di setiap wadah dapat digunakan dengan cara yang sangat fleksibel. Mereka dapat digunakan di platform yang berbeda dan lingkungan yang berbeda.
Sekarang, misalkan Anda mencoba untuk meningkatkan proyek pembelajaran mesin di mana berbagai algoritma harus bekerja pada berbagai bagian data dengan cara yang berulang-ulang. Jika Anda bosan berurusan dengan tantangan lintas platform atau masalah ketergantungan atau situasi di mana penggunaan bare-metal sulit, kontainer dapat menjadi solusi.
Pada dasarnya, wadah menyediakan cara untuk meng-host kode. Para ahli berbicara tentang menempatkan wadah terhadap data yang disimpan untuk mendapatkan hasil yang baik.
"(Aplikasi) dapat dicampur dan dicocokkan di sejumlah platform, tanpa ada porting atau pengujian yang diperlukan," tulis David Linthicum dalam artikel TechBeacon yang menguraikan nilai kontainer untuk proyek pembelajaran mesin, "karena mereka ada dalam wadah , mereka dapat beroperasi di lingkungan yang sangat terdistribusi, dan Anda dapat menempatkan wadah ini di dekat data yang dianalisis aplikasi. "
Linthicum selanjutnya berbicara tentang mengekspos layanan pembelajaran mesin sebagai layanan microser. Ini memungkinkan aplikasi eksternal - berbasis wadah atau tidak - untuk memanfaatkan layanan ini kapan saja tanpa harus memindahkan kode di dalam aplikasi.
Dalam arti yang sangat mendasar, penyebaran kontainer adalah tentang membuat fungsionalitas program pembelajaran mesin lebih mudah beradaptasi - menghilangkan silo dan koneksi yang tidak perlu - dan sekali lagi, dependensi - yang dapat melumpuhkan suatu proyek. Untuk proyek pembelajaran mesin ramping, rata-rata, jika bagian-bagian individual dari algoritma atau aplikasi atau fungsi ditempatkan di dalam wadah, mudah untuk mengatur secara mikro bagian-bagian yang mandiri ini dan membuat proyek produk pembelajaran mesin yang kompleks sesuai dengannya.