F:
Varför är skalbar maskininlärning viktig?
A:Skalbar maskininlärning är ett stort surrord i maskininlärningsindustrin, delvis för att få maskininlärningsprocesser i skala är en viktig och utmanande aspekt av många maskininlärningsprojekt.
Till exempel kan vissa mindre maskininlärningsprojekt inte behöva skala så mycket, men när ingenjörer överväger olika typer av produktiv modellering, försöker driva analys av gigantiska datamängder eller försöka tillämpa maskininlärning i olika hårdvarumiljöer, kan skalbarhet betyder allt.
| Gratis nedladdning: Machine Learning and Why It Matters |
Skalbar maskininlärning är viktig när det är uppenbart att projektets omfattning överträffar den ursprungliga installationen. Olika algoritmmetoder kan behövas för att hjälpa maskininlärningsprocesser att matcha andra dataanalysprocesser. Maskininlärning kan kräva mer resurser för samma uppsättning data.
När det gäller de verktyg som används används ofta Apache Hadoop för extremt stora datamängder, till exempel cirka 5 TB. Under detta märke finns det andra verktyg på mellannivå som kan göra jobbet bra, som Pandas, Matlab och R. IT-proffs kommer att matcha verktygen till den nödvändiga skalbarhetsnivån. De kommer att förstå hur mycket arbetsmaskininlärningsprogram behöver göra och hur de måste utrustas för att uppnå dessa mål.
Tillsammans med förmågan att skala till mycket större uppsättningar data i storleksordningen av flera terabyte, är en annan utmaning med skalbar maskininlärning att utveckla ett system som kan fungera över flera noder. Vissa grundläggande maskininlärningssystem kan bara konfigureras för att köras på en enskild dator- eller hårdvarukomponent. Men när maskininlärningsprocesser måste interagera med flera noder kräver det ett annat tillvägagångssätt. Att få maskininlärning att arbeta i en distribuerad arkitektur är en annan viktig del av skalbar maskininlärning. Tänk på en situation där maskininlärningsalgoritmer måste komma åt data från dussintals eller till och med hundratals servrar - detta kommer att kräva betydande skalbarhet och mångsidighet.
En annan drivkraft för skalbar maskininlärning är processen med djup inlärning, där ingenjörer och intressenter kan få fler resultat från att gå djupare in i datauppsättningar och manipulera dem på djupare sätt. Djupa inlärningsprojekt är ett utmärkt exempel på hur företag kan behöva anta en skalbar maskininlärningsstrategi för att uppnå den kapacitet de behöver. När djup inlärning fortsätter att utvecklas kommer det att sätta press på maskininlärningssystem för att skala mer effektivt.
