Efektive, ĝi povas. En Google Cloud Machine Learning, ekzistas trajto nomita Cloud Machine Learning Engine (CMLE). CMLE provizas potencan kaj skaleblan platformon por trejnado kaj deplojado de maŝinlernado-modeloj en la nubo. Ĝi permesas al uzantoj legi datumojn de Nuba stokado kaj utiligi trejnitan modelon por konkludo.
Kiam temas pri legado de datumoj de Cloud-stokado, CMLE ofertas senjuntan integriĝon kun diversaj stokado-opcioj, inkluzive de Google Cloud Storage. Uzantoj povas stoki siajn trejnajn datumojn, same kiel ajnajn aliajn rilatajn dosierojn, en Cloud-stokado siteloj. CMLE povas tiam aliri ĉi tiujn sitelojn kaj legi la datumojn dum la trejnado. Ĉi tio permesas efikan kaj oportunan administradon de datumoj, same kiel la kapablon utiligi grandajn datumarojn kiuj povas superi la lokan stokan kapaciton.
Koncerne al uzado de edukita modelo, CMLE ebligas al uzantoj specifi trejnitan modelon stokitan en Nuba stokado por antaŭdiraj taskoj. Post kiam modelo estis trejnita kaj konservita al Nuba stokado, ĝi povas esti facile alirita kaj utiligita de CMLE por fari antaŭdirojn pri novaj datumoj. Ĉi tio estas precipe utila kiam estas bezono deploji trejnitan modelon kaj fari realtempajn prognozojn en produktadmedio.
Por ilustri ĉi tiun koncepton, konsideru scenaron kie maŝinlernada modelo estis trejnita por klasifiki bildojn. La trejnita modelo estas konservita en Nuba stoka sitelo. Kun CMLE, uzantoj povas specifi la lokon de la trejnita modelo en Nuba stokado kaj deploji ĝin kiel finpunkto. Tiu ĉi finpunkto tiam povas esti uzata por sendi novajn bildojn por klasifiko. CMLE legos la trejnitan modelon el Cloud-stokado, faros la necesajn komputojn kaj provizos prognozojn bazitajn sur la enigbildoj.
CMLE ja havas la kapablon legi datumojn el Cloud-stokado kaj specifi trejnitan modelon por inferenco. Ĉi tiu trajto permesas efikan datumadministradon kaj la deplojon de edukitaj modeloj en real-mondaj aplikoj.
Aliaj lastatempaj demandoj kaj respondoj pri Progresante en Maŝinlernado:
- Kio estas la limigoj por labori kun grandaj datumaroj en maŝina lernado?
- Ĉu maŝinlernado povas fari iun dialogan helpon?
- Kio estas la ludejo TensorFlow?
- Ĉu avida reĝimo malhelpas la distribuitan komputikan funkcion de TensorFlow?
- Ĉu Google-nubaj solvoj povas esti uzataj por malkunligi komputadon de stokado por pli efika trejnado de la ML-modelo kun grandaj datumoj?
- Ĉu la Google Cloud Machine Learning Engine (CMLE) ofertas aŭtomatan akiron kaj agordon de rimedo kaj pritraktas rimedan ĉesigon post kiam la trejnado de la modelo estas finita?
- Ĉu eblas trejni maŝinlernajn modelojn sur arbitre grandaj datumaj aroj sen singultoj?
- Kiam vi uzas CMLE, ĉu krei version postulas specifi fonton de eksportita modelo?
- Ĉu Tensorflow povas esti uzata por trejnado kaj inferenco de profundaj neŭralaj retoj (DNN)?
- Kio estas la algoritmo de Gradient Boosting?
Rigardu pliajn demandojn kaj respondojn en Antaŭenigo en Maŝina Lernado