แมชชีนเลิร์นนิงมีประโยชน์มากกว่าแค่ใช้อัลกอริทึม ML ระบบ ML เวอร์ชันที่ใช้งานจริงเกี่ยวข้องกับคอมโพเนนต์จํานวนมาก
ระบบแมชชีนเลิร์นนิง
ที่ผ่านมา เราได้พูดถึงเรื่องนี้แล้ว
แต่ส่วนที่เหลือของระบบ ML จะเป็นอย่างไร
ส่วนประกอบระดับระบบ
- ไม่ คุณไม่จําเป็นต้องสร้างทุกอย่างด้วยตัวเอง
- ใช้คอมโพเนนต์ระบบ ML ทั่วไปซ้ําอีกครั้งหากเป็นไปได้
- โซลูชันของ Google CloudML ประกอบด้วยการแสดงโฟลว์โฟลว์และ TF
- คุณยังดูคอมโพเนนต์ได้ในแพลตฟอร์มอื่นๆ เช่น Spark, Hadoop ฯลฯ
- คุณทราบได้อย่างไรว่าต้องการอะไร
- ทําความเข้าใจกระบวนทัศน์ของระบบ ML จํานวนหนึ่งและข้อกําหนดของ ML
สรุปการบรรยายของวิดีโอ
ที่ผ่านมานี้ หลักสูตรเร่งรัดเกี่ยวกับแมชชีนเลิร์นนิงมุ่งเน้นที่การสร้างแบบจําลอง ML แต่อย่างที่บอกไปว่า ระบบที่ใช้งานจริงของ ML เป็นระบบนิเวศขนาดใหญ่ที่โมเดลเป็นเพียงส่วนหนึ่งเท่านั้น
รูปที่ 1 ระบบ ML ที่ใช้งานจริงในชีวิตจริง
โดยโค้ด ML เป็นหัวใจสําคัญของระบบการผลิต ML ในสถานการณ์จริง แต่บ่อยครั้งที่โค้ดนี้หมายถึงโค้ดโดยรวมที่ใช้ระบบการสร้าง ML ทั้งหมดเพียง 5% หรือน้อยกว่านั้น (ไม่ใช่การพิมพ์ผิด) โปรดสังเกตว่าระบบการสร้าง ML ใช้ทรัพยากรจํานวนมากในการป้อนข้อมูล เก็บรวบรวม ยืนยัน และดึงฟีเจอร์ต่างๆ ออกมา นอกจากนี้ โปรดทราบว่าโครงสร้างพื้นฐานในการแสดงผลจะต้องมีไว้เพื่อ คาดการณ์โมเดล ML # ใช้งานจริงในชีวิตจริง
โชคดีที่คอมโพเนนต์จํานวนมากในรูปก่อนหน้านี้สามารถนําไปใช้ซ้ําได้ นอกจากนี้ คุณจะไม่ต้องสร้างองค์ประกอบทั้งหมดในรูปที่ 1 ด้วยตนเอง
TensorFlow Extended (TFX) เป็นแพลตฟอร์มแบบครบวงจรสําหรับการทําให้ไปป์ไลน์ ML ใช้งานได้
โมดูลต่อๆ ไปจะช่วยแนะนําการตัดสินใจออกแบบของคุณในการสร้างระบบ ML ที่ใช้งานจริง