Todellakin voi. Google Cloud Machine Learningissä on ominaisuus nimeltä Cloud Machine Learning Engine (CMLE). CMLE tarjoaa tehokkaan ja skaalautuvan alustan koneoppimismallien koulutukseen ja käyttöönottoon pilvessä. Sen avulla käyttäjät voivat lukea tietoja pilvitallennustilasta ja käyttää koulutettua mallia johtopäätösten tekemiseen.
Mitä tulee pilvitallennustietojen lukemiseen, CMLE tarjoaa saumattoman integraation useisiin tallennusvaihtoehtoihin, mukaan lukien Google Cloud Storagen. Käyttäjät voivat tallentaa harjoitustietonsa sekä kaikki muut asiaankuuluvat tiedostot pilvitallennustiloihin. CMLE voi sitten käyttää näitä ryhmiä ja lukea tietoja harjoitusprosessin aikana. Tämä mahdollistaa tehokkaan ja kätevän tiedonhallinnan sekä mahdollisuuden hyödyntää suuria tietojoukkoja, jotka voivat ylittää paikallisen tallennuskapasiteetin.
Mitä tulee koulutetun mallin käyttöön, CMLE antaa käyttäjille mahdollisuuden määrittää ennustetehtäviä varten pilvitallennustilaan tallennetun koulutetun mallin. Kun malli on koulutettu ja tallennettu pilvitallennustilaan, CMLE voi helposti käyttää sitä ja käyttää sitä uusien tietojen ennustamiseen. Tämä on erityisen hyödyllistä, kun on tarpeen ottaa käyttöön koulutettu malli ja tehdä reaaliaikaisia ennusteita tuotantoympäristössä.
Tämän käsitteen havainnollistamiseksi harkitse skenaariota, jossa koneoppimismalli on koulutettu luokittelemaan kuvia. Koulutettu malli säilytetään pilvivarastosäiliössä. CMLE:n avulla käyttäjät voivat määrittää opetetun mallin sijainnin pilvitallennustilassa ja ottaa sen käyttöön päätepisteenä. Tätä päätepistettä voidaan sitten käyttää uusien kuvien lähettämiseen luokittelua varten. CMLE lukee opetetun mallin pilvitallennustilasta, suorittaa tarvittavat laskelmat ja antaa ennusteita syöttökuvien perusteella.
CMLE pystyy todellakin lukemaan tietoja pilvitallennustilasta ja määrittämään koulutetun mallin päätelmiä varten. Tämä ominaisuus mahdollistaa tehokkaan tiedonhallinnan ja koulutettujen mallien käyttöönoton todellisissa sovelluksissa.
Muita viimeaikaisia kysymyksiä ja vastauksia liittyen Edistyminen koneoppimisessa:
- Mitä rajoituksia suurten tietojoukkojen kanssa työskentelyssä on koneoppimisessa?
- Voiko koneoppiminen auttaa dialogia?
- Mikä on TensorFlow-leikkipaikka?
- Estääkö innokas tila TensorFlow'n hajautetun laskentatoiminnon?
- Voidaanko Googlen pilviratkaisujen avulla irrottaa tietojenkäsittely tallennustilasta, jotta ML-mallia voidaan harjoittaa tehokkaammin ison datan kanssa?
- Tarjoaako Google Cloud Machine Learning Engine (CMLE) automaattisen resurssien hankinnan ja määrityksen ja hoitaako resurssien sulkemisen mallin koulutuksen jälkeen?
- Onko mahdollista kouluttaa koneoppimismalleja mielivaltaisen suurille tietojoukoille ilman hikkausta?
- Edellyttääkö version luominen viedyn mallin lähteen määrittämistä käytettäessä CMLE:tä?
- Voidaanko Tensorflowa käyttää syvien hermoverkkojen (DNN) harjoittamiseen ja päättelemiseen?
- Mikä on Gradient Boosting -algoritmi?
Katso lisää kysymyksiä ja vastauksia kohdassa Advancing in Machine Learning