Die geeignete Cloud Machine Learning-Plattform wählen

12 Funktionen, die jede Cloud-Plattform für maschinelles Lernen bieten sollte, um den gesamten Lebenszyklus des maschinellen Lernens zu unterstützen. [...]

Der schlimmste Fall wäre, wenn Sie große Daten über große Entfernungen und über Strecken mit eingeschränkter Bandbreite und hoher Latenz verschieben müssen (c) pexels.com

Um effektive Modelle für Machine Learning und Deep Learning erstellen zu können, benötigen Sie umfangreiche Datenmengen, eine Möglichkeit, die Daten zu bereinigen und Feature-Engineering mit ihnen durchzuführen, sowie eine Möglichkeit, Modelle auf Ihren Daten in angemessener Zeit zu trainieren. Dann benötigen Sie eine Möglichkeit, Ihre Modelle bereitzustellen, sie auf zeitliche Abweichungen zu überwachen und sie bei Bedarf neu zu trainieren.

All das können Sie vor Ort erledigen, wenn Sie in Rechenressourcen und Beschleuniger wie GPUs investiert haben, wobei Sie jedoch feststellen können, dass Ihre Ressourcen, wenn sie ausreichend sind, die meiste Zeit ungenutzt bleiben. Auf der anderen Seite kann es manchmal kostengünstiger sein, die gesamte Pipeline in der Cloud zu betreiben, indem Sie je nach Bedarf große Mengen an Rechenressourcen und Accelerators einsetzen und diese dann freigeben.

Die großen Cloud-Anbieter - und auch eine Reihe kleinerer Clouds - haben erhebliche Anstrengungen unternommen, um ihre Plattformen für maschinelles Lernen so auszubauen, dass sie den gesamten Lebenszyklus des maschinellen Lernens unterstützen, von der Planung eines Projekts bis zur Wartung eines Modells in der Produktion. Wie bestimmen Sie, welche dieser Clouds Ihren Bedürfnissen entsprechen...

Um diese Inhalte abzurufen, registrieren Sie sich bitte für den kostenlosen Business Account.


Mehr Artikel