प्रश्न:
स्थानीय मशीन पर मशीन लर्निंग (एमएल) प्रशिक्षण क्यों चलाएं और फिर एक सर्वर पर नियमित निष्पादन करें?
ए:मशीन लर्निंग प्रोजेक्ट और इसकी ट्रेन और टेस्ट चरणों की संरचना करने का सवाल बहुत कुछ है कि हम एमएल "जीवन चक्र" के माध्यम से कैसे आगे बढ़ते हैं और प्रशिक्षण वातावरण से उत्पादन वातावरण तक कार्यक्रम लाते हैं।
एक स्थानीय मशीन पर एमएल प्रशिक्षण लगाने के उपरोक्त मॉडल का उपयोग करने के लिए सबसे सरल कारणों में से एक है और फिर निष्पादन को सर्वर-आधारित प्रणाली में स्थानांतरित करना कर्तव्यों के आवश्यक पृथक्करण का लाभ है। सामान्य तौर पर, आप चाहते हैं कि प्रशिक्षण सेट को अलग-थलग कर दिया जाए, ताकि आपके पास प्रशिक्षण शुरू होने और रुकने की स्पष्ट तस्वीर हो, और जहां परीक्षण शुरू हो। यह KDNuggets लेख एक स्थानीय मशीन पर प्रशिक्षण सेट को अलग करने के कुछ अन्य कारणों से गुजरने के दौरान मोटे तौर पर सिद्धांत में बोलता है। इस मॉडल के लिए एक अन्य मूल मूल्य प्रस्ताव यह है कि, बहुत अलग आर्किटेक्चर पर प्रशिक्षण और परीक्षण सेट के साथ, आप संयुक्त ट्रेन / परीक्षण आवंटन के बारे में कभी भी भ्रमित नहीं होंगे!
एक और दिलचस्प लाभ साइबर सुरक्षा के साथ करना है। विशेषज्ञ बताते हैं कि यदि आपके पास एक स्थानीय मशीन पर प्रारंभिक ट्रेन प्रक्रियाएं हैं, तो इसे इंटरनेट से कनेक्ट करने की आवश्यकता नहीं है! यह एक मौलिक तरीके से सुरक्षा को व्यापक बनाता है, "इनक्यूबेटिंग" प्रक्रिया जब तक कि यह उत्पादन दुनिया को हिट नहीं करता है, जहां आपको सर्वर मॉडल में पर्याप्त सुरक्षा का निर्माण करना होगा।
इसके अलावा, इनमें से कुछ "अलग-थलग" मॉडल कॉन्सेप्ट ड्रिफ्ट और हिडन कॉन्टेक्ट जैसी समस्याओं में मदद कर सकते हैं - "नॉन-स्टैबिलिटी" का सिद्धांत डेवलपर्स को चेतावनी देता है कि समय के साथ डेटा "समान नहीं रहता है" (जो मापा जा रहा है उसके आधार पर) और यह एक परीक्षण चरण को एक ट्रेन चरण से मिलान करने के लिए बहुत अधिक अनुकूलन क्षमता ले सकता है। या, कुछ मामलों में, ट्रेन और परीक्षण प्रक्रियाएं एक साथ मिलकर भ्रम पैदा करती हैं।
पहली बार एक सर्वर पर परीक्षण चरण को तैनात करने से विभिन्न "ब्लैक बॉक्स" मॉडल की सुविधा मिल सकती है जहां आप डेटा अनुकूलनशीलता की समस्या को ठीक करते हैं। कुछ मामलों में, यह कई प्लेटफार्मों पर परिवर्तन आदेश डालने की अनावश्यक प्रक्रिया को समाप्त करता है।
फिर, सर्वर वातावरण भी स्पष्ट रूप से वास्तविक समय या गतिशील प्रक्रियाओं की सेवा करता है जिसमें इंजीनियर डेटा ट्रांसफर और कोड मॉडल का उपयोग करना चाहते हैं जो एमएल में उत्पादन के लिए सबसे अच्छा काम करते हैं। उदाहरण के लिए, AWS लैम्ब्डा उत्पादन के माइक्रोफंक्शन (या लैम्ब्डा और S3 ऑब्जेक्ट स्टोरेज का एक संयोजन) और कनेक्टिविटी के बिना (एक सर्वर के बिना) के लिए एक आकर्षक विकल्प हो सकता है जो असंभव हो जाता है।
ये कुछ ऐसे मुद्दे हैं जिन पर डेवलपर्स विचार कर सकते हैं कि वे परीक्षण और उत्पादन से प्रशिक्षण चरणों को कैसे विभाजित करें।
