وهناك الكثير لتعلُّم الآلة لا يقتصر على مجرد تنفيذ خوارزمية تعلُّم الآلة. يتضمّن نظام تعلُّم الآلة للإنتاج عددًا كبيرًا من المكوّنات.
أنظمة تعلُّم الآلة للإنتاج
لقد تحدثنا حتى الآن عن هذا الموضوع
ماذا عن بقية أنظمة تعلُّم الآلة؟
مكونات على مستوى النظام
- لا، لست بحاجة إلى إنشاء كل شيء بنفسك.
- أعِد استخدام مكوّنات نظام تعلُّم الآلة العامة كلما أمكن ذلك.
- تشمل حلول Google CloudML عرض البيانات وتدفق TF.
- ويمكن العثور على المكوّنات أيضًا في أنظمة أساسية أخرى، مثل Spark وHadoop وغيرها.
- كيف تعرف ما تحتاج إليه؟
- التعرّف على بعض نماذج نظام تعلُّم الآلة ومتطلباتها
ملخّص محاضرات الفيديو
حتى الآن، ركزت Machine Learning Crash Course على إنشاء نماذج تعلُّم الآلة. ومع ذلك، كما يشير الشكل التالي، إن أنظمة تعلُّم الآلة في عالم الإنتاج هي منظومة متكاملة كبيرة يمثّل النموذج جزءًا واحدًا منها.
الشكل 1. نظام تعلُّم الآلة للإنتاج في الوقت الفعلي:
يمثّل رمز تعلُّم الآلة جوهر نظام إنتاج العالم الحقيقي، ولكن غالبًا ما يمثّل هذا المربّع نسبة 5% أو أقل من الرمز الإجمالي لنظام إنتاج الآلة هذا. (يُرجى العلم أنّ ذلك لا يُعدّ خطأً إملائيًا). يُرجى العِلم بأنّ نظام إنتاج تكنولوجيا تعلُّم الآلة يخصص موارد كبيرة لإدخال البيانات، مثل جمعها وإثبات ملكيتها واستخراج الميزات منها. علاوةً على ذلك، لاحظ أن البنية الأساسية للعرض يجب أن تكون متاحة لتضمين توقعات نموذج تعلُّم الآلة في الاستخدام العملي في العالم الفعلي.
ولحسن الحظ، يمكن إعادة استخدام العديد من المكونات في الشكل السابق. فضلاً عن ذلك، لست مضطرًا إلى إنشاء جميع المكوّنات في الشكل 1 بنفسك.
TensorFlow Extended (TFX) هي منصّة شاملة لنشر مسارات تعلّم الآلة للإنتاج.
وستساعدك الوحدات اللاحقة على اتّخاذ قرارات التصميم عند إنشاء نظام تعلُّم الآلة للإنتاج.