Q:
Warum sollten Sie ein Maschinelles Lernen (ML) auf einem lokalen Computer durchführen und dann eine regelmäßige Ausführung auf einem Server durchführen?
EIN:Die Frage, wie ein maschinelles Lernprojekt und seine Zug- und Testphasen zu strukturieren sind, hat viel damit zu tun, wie wir uns durch den ML-Lebenszyklus bewegen und das Programm von einer Trainingsumgebung in eine Produktionsumgebung bringen.
Einer der einfachsten Gründe für die Verwendung des obigen Modells, bei dem ML-Training auf einem lokalen Computer durchgeführt und dann die Ausführung auf ein serverbasiertes System verlagert wird, ist der Vorteil einer wesentlichen Aufgabentrennung. Im Allgemeinen möchten Sie, dass der Trainingssatz isoliert ist, damit Sie ein klares Bild davon haben, wo das Training beginnt und endet und wo das Testen beginnt. In diesem KDNuggets-Artikel wird auf grobe Weise über das Prinzip gesprochen, und es werden auch einige andere Gründe für die Isolierung von Trainingssätzen auf einem lokalen Computer erläutert. Ein weiteres grundlegendes Wertversprechen für dieses Modell ist, dass Sie mit den Trainings- und Test-Sets auf sehr unterschiedlichen Architekturen nie über die gemeinsame Zuweisung von Zug und Test verwechselt werden!
Ein weiterer interessanter Vorteil betrifft die Cybersicherheit. Experten weisen darauf hin, dass die ersten Zugvorgänge auf einer lokalen Maschine nicht mit dem Internet verbunden sein müssen! Dies erweitert die Sicherheit grundlegend und „inkubiert“ den Prozess, bis er die Produktionswelt erreicht, in der Sie dann eine angemessene Sicherheit in das Servermodell einbauen müssen.
Darüber hinaus können einige dieser „isolierten“ Modelle bei Problemen wie Konzeptdrift und versteckten Kontexten hilfreich sein. Das Prinzip der „Nicht-Stationalität“ warnt Entwickler davor, dass Daten im Laufe der Zeit (je nachdem, was gemessen wird) und nicht „gleich bleiben“ dass es sehr anpassungsfähig sein kann, eine Testphase mit einer Zugphase abzustimmen. In einigen Fällen verschmelzen der Zug- und der Testprozess, was zu Verwirrung führt.
Die erstmalige Bereitstellung der Testphase auf einem Server kann verschiedene Black-Box-Modelle vereinfachen, bei denen Sie das Problem der Datenanpassungsfähigkeit beheben. In einigen Fällen entfällt der redundante Vorgang, Änderungsaufträge auf mehreren Plattformen zu platzieren.
Außerdem dient die Serverumgebung offensichtlich den Echtzeit- oder dynamischen Prozessen, in denen Ingenieure auf die Datenübertragungs- und Codemodelle zugreifen möchten, die für die Produktion in ML am besten geeignet sind. Beispielsweise kann AWS Lambda eine attraktive Option sein, um die Mikrofunktionen der Produktion (oder eine Kombination aus Lambda und S3-Objektspeicher) und ohne Konnektivität (ohne Server) zu handhaben, die unmöglich wird.
Dies sind einige der Probleme, über die Entwickler nachdenken können, wenn sie überlegen, wie die ML-Trainingsphasen vom Testen und der Produktion getrennt werden sollen.
