Садржај
П:
Како контејнеризација може бити добар избор за окружење пројекта машинског учења?
А:
Неке компаније крећу у контејнеризацију за пројекте машинског учења на основу неких предности које постављање контејнера нуди у погледу платформи и софтверског окружења.
Машинско учење је сложено - сами алгоритми изводе много врло детаљних и компликованих радњи на подацима. Међутим, предлог вредности је на неки начин прилично једноставан - алгоритми машинског учења раде на подацима који долазе из окружења за складиштење података.
Употреба контејнера укључује како инжењери уносе податке у окружење машинског учења и како алгоритми раде.
Инжињери могу да користе виртуелизацију контејнера или за смештање података или за размештање кода који покреће алгоритме. Иако контејнери могу бити корисни за податке, њихова главна корист вјероватно долази у њиховој употреби кодова алгоритма кодова.
Архитектуре контејнера садрже самосталне апликације и базе података. Сваки контејнер добија свој клон оперативног система и добија пуно радно окружење за скуп апликација или кодова који живе у њему.
Као резултат, појединачне апликације, микросервиси или базе података који се налазе у сваком контејнеру могу се распоредити на врло разнолике начине. Могу се распоредити на различитим платформама и различитим окружењима.
Претпоставимо да покушавате да појачате пројекат машинског учења у коме различити алгоритми морају да раде на различитим деловима података итеративно. Ако се уморите од бављења изазовима на више платформи или проблемима зависности или ситуацијама у којима је постављање голог метала тешко, контејнери могу бити решење.
У суштини, контејнери пружају начин да се угости код. Стручњаци разговарају о распоређивању контејнера према сачуваним подацима како би се постигли добри резултати.
"(Апликације) се могу мешати и подударити на било којем броју платформи, а практично није потребно ношење или тестирање", пише Давид Линтхицум у чланку ТецхБеацон-а који објашњава вредност контејнера за пројекте машинског учења, "јер они постоје у контејнерима , они могу радити у високо дистрибуираном окружењу, а ове контејнере можете поставити близу података које апликације анализирају. "
Линтхицум наставља да говори о излагању услуга машинског учења као микро услуга. То омогућава спољним апликацијама - на бази контејнера или не - да искористе ове услуге у било којем тренутку без потребе за померањем кода унутар апликације.
У врло основном смислу, размештање контејнера односи се на то да функционалност програма машинског учења постане прилагодљивија - уклањање силоса и непотребних веза - и опет, зависности - који могу осакатити пројекат. За мршави, средњи пројекат машинског учења, ако су поједини делови алгоритама или апликација или функција смештени у контејнере, лако је управљати тим самосталним комадима и у складу с тим креирати сложене пројекте машинског учења.