Công nghệ máy học còn có rất nhiều hiệu quả khác ngoài việc triển khai thuật toán máy học. Một hệ thống máy học chính thức đòi hỏi một số lượng lớn thành phần.
Hệ thống máy học trực tiếp
Cho đến nay, chúng ta đã nói về vấn đề này
Thế còn phần còn lại của một hệ thống máy học thì sao?
Thành phần cấp hệ thống
- Không, bạn không cần phải tự mình xây dựng mọi thứ.
- Sử dụng lại các thành phần hệ thống máy học chung nếu có thể.
- Các giải pháp của Google CloudML bao gồm Luồng dữ liệu và Phân phát TF
- Bạn cũng có thể tìm thấy các thành phần trong các nền tảng khác như Spark, Hadoop, v.v.
- Làm cách nào để biết bạn cần gì?
- Hiểu một số mô hình và amp hệ thống máy học; yêu cầu của chúng
Tóm tắt bài giảng video
Tính đến nay, Khoá học máy học ứng dụng đã tập trung vào việc xây dựng các mô hình máy học. Tuy nhiên, như hình sau đây cho thấy, hệ thống máy học thực tế là những hệ sinh thái lớn mà mô hình chỉ là một phần duy nhất.
Hình 1. Hệ thống máy học thực tế.
Mã máy học là trọng tâm của một hệ thống sản xuất máy học trong thực tế, nhưng hộp đó thường chỉ chiếm 5% toàn bộ hoặc ít hơn tổng mã của toàn bộ hệ thống sản xuất máy học đó. (Đó không phải là lỗi in ấn.) Xin lưu ý rằng hệ thống sản xuất công nghệ máy học dành trọn tài nguyên đáng kể để nhập dữ liệu – thu thập, xác minh và trích xuất các tính năng từ hệ thống đó. Ngoài ra, hãy lưu ý rằng cơ sở hạ tầng phân phát phải có sẵn để đưa các dự đoán của mô hình máy học vào thực tế sử dụng được trong thực tế.
May mắn thay, nhiều thành phần trong hình trước có thể sử dụng lại được. Hơn nữa, bạn không cần phải tự xây dựng tất cả các thành phần trong Hình 1.
TensorFlow Extended (TFX) là một nền tảng toàn diện để triển khai quy trình máy học chính thức.
Các mô-đun tiếp theo sẽ giúp định hướng việc đưa ra quyết định thiết kế trong việc xây dựng hệ thống máy học trực tiếp.