Dapače, može. U Google Cloud Machine Learningu postoji značajka koja se zove Cloud Machine Learning Engine (CMLE). CMLE pruža moćnu i skalabilnu platformu za obuku i implementaciju modela strojnog učenja u oblaku. Korisnicima omogućuje čitanje podataka iz pohrane u oblaku i korištenje uvježbanog modela za zaključivanje.
Kada je riječ o čitanju podataka iz pohrane u oblaku, CMLE nudi besprijekornu integraciju s raznim opcijama pohrane, uključujući Google pohranu u oblaku. Korisnici mogu pohraniti svoje podatke o vježbanju, kao i sve druge relevantne datoteke, u spremnike za pohranu u oblaku. CMLE tada može pristupiti tim spremnicima i čitati podatke tijekom procesa obuke. To omogućuje učinkovito i praktično upravljanje podacima, kao i mogućnost korištenja velikih skupova podataka koji mogu premašiti lokalni kapacitet pohrane.
Što se tiče korištenja uvježbanog modela, CMLE omogućuje korisnicima da specificiraju uvježbani model pohranjen u pohrani u oblaku za zadatke predviđanja. Nakon što je model obučen i spremljen u pohranu u oblaku, CMLE mu može lako pristupiti i koristiti ga za predviđanje novih podataka. Ovo je osobito korisno kada postoji potreba za implementacijom obučenog modela i predviđanja u stvarnom vremenu u proizvodnom okruženju.
Za ilustraciju ovog koncepta, razmotrite scenarij u kojem je model strojnog učenja obučen za klasificiranje slika. Uvježbani model pohranjuje se u spremnik za pohranu u oblaku. Pomoću CMLE-a korisnici mogu odrediti lokaciju uvježbanog modela u pohrani u oblaku i implementirati ga kao krajnju točku. Ta se krajnja točka zatim može koristiti za slanje novih slika na klasifikaciju. CMLE će pročitati uvježbani model iz pohrane u oblaku, izvršiti potrebna izračunavanja i pružiti predviđanja na temelju ulaznih slika.
CMLE doista ima sposobnost čitanja podataka iz pohrane u oblaku i određivanja uvježbanog modela za zaključivanje. Ova značajka omogućuje učinkovito upravljanje podacima i implementaciju uvježbanih modela u stvarnim aplikacijama.
Ostala nedavna pitanja i odgovori u vezi Napredak u strojnom učenju:
- Kada je kernel račvan s podacima, a izvornik je privatan, može li račvasti biti javan i ako jest, nije li to povreda privatnosti?
- Koja su ograničenja u radu s velikim skupovima podataka u strojnom učenju?
- Može li strojno učenje pomoći u dijalogu?
- Što je TensorFlow igralište?
- Sprečava li eager mod funkcionalnost distribuiranog računalstva TensorFlowa?
- Mogu li se Google rješenja u oblaku koristiti za odvajanje računalstva od pohrane radi učinkovitije obuke ML modela s velikim podacima?
- Nudi li Google Cloud Machine Learning Engine (CMLE) automatsko prikupljanje i konfiguraciju resursa i upravlja li isključivanjem resursa nakon završetka obuke modela?
- Je li moguće trenirati modele strojnog učenja na proizvoljno velikim skupovima podataka bez problema?
- Kada koristite CMLE, zahtijeva li stvaranje verzije navođenje izvora izvezenog modela?
- Može li se Tensorflow koristiti za obuku i zaključivanje dubokih neuronskih mreža (DNN)?
Pogledajte više pitanja i odgovora u Napredak u strojnom učenju