РЕАЛИЗАЦИЯ МОДЕЛЕЙ ML ЧЕРЕЗ API.
Машинное обучение действительно является неотъемлемой частью науки о данных с многочисленными приложениями в нескольких областях, таких как финансы, страхование, сектор здравоохранения и т. Д., Но оно может быть действительно пугающим для людей, не разбирающихся в технологиях.
Было распространено мнение, что только люди с глубокими математическими навыками или специалисты по большим данным могут в совершенстве использовать машинное обучение, но это не так, поскольку API машинного обучения облегчили людям и облегчили им изучение и использование методологий машинного обучения.
Итак, как вы можете определить API?
API - это интерфейс программирования приложений, в котором программное обеспечение или приложения взаимодействуют друг с другом без ведома пользователя или какого-либо вмешательства со стороны пользователя.
https://i2.wp.com/miro.medium.com/max/1000/1*OcmVkcsM5BWRHrg8GC17iw.png
Для ясного понимания давайте рассмотрим пример, когда мы бронируем билеты на киносеанс онлайн, мы должны предоставить данные нашей карты, веб-сайт использует API для подтверждения данных вашей карты, отправляя данные вашей карты в удаленное приложение, которое, в свою очередь, проверяет верна ли обработанная информация. После правильной проверки данных и обработки подтверждение платежа отправляется обратно на веб-сайт билета в кино для выдачи билетов. Теперь, как пользователь, мы видим только один интерфейс, но на самом деле существует множество приложений, работающих за кулисами с использованием API. Поскольку пользователю практически невозможно увидеть, когда функции программного обеспечения передаются из одного приложения в другое, такой тип интеграции можно назвать бесшовной интеграцией. Карта Google является прекрасным примером API.
Машинное обучение нацелено на обучение компьютера выполнению различных задач путем подачи входных наборов данных и поиска закономерностей и связей, называемых обучением. После обучения модели можно предоставить новые наборы данных для принятия решений.
Некоторые компании по разработке мобильных приложений, такие как Google, Apple, Microsoft и Amazon, используют ML API для обработки языка, распознавания голоса, зрения, обнаружения данных и понимания человеческой речи и текста.
Самые популярные API машинного обучения для анализа данных:
- Amazon Machine Learning API-
Amazon.com выпустил свой API, построенный на облачной платформе Amazon, чтобы разработчики веб-сайтов могли легко получить доступ к информации о своих продуктах. Используя этот API машинного обучения, сторонний веб-сайт может публиковать прямые ссылки на продукты, перечисленные на Amazon, с обновленными ценами и «Вариант покупки».
Amazon Machine Learning API прост и удобен для пользователя, а его особые функции, такие как алгоритмические ограничения, создание уровней разрешений пользовательского интерфейса, графический пользовательский интерфейс, управляемый мастерами, сделали этот API машинного обучения излюбленным выбором разработчиков.
Примеры: обнаружение поддельных пользователей, расчет прогнозов продаж и т. Д.
- Google Cloud Machine Learning API-
Google Cloud API работает как с RPC, так и с REST. Некоторые облачные функции, такие как Speech API, Vision API и Natural API, являются одними из современных мировых приложений. Приложение Cloud Vision API помогает разработчикам интегрировать такие функции технического зрения, как маркировка изображений, обнаружение лиц и объектов, чтение печатного и рукописного текста и т. Д.
Примеры - Помогает прогнозировать маршруты навигации путем создания списка маршрутов и мест, которые обычно посещает водитель. Обнаружение мошенничества может быть легко облегчено с помощью API.
- API машинного обучения Microsoft Azure-
https://i2.wp.com/miro.medium.com/max/1127/1*-ganvHfXEbn6oYk-krRpIg.jpeg
Это API аналитики текста, который предоставляет мощные функции обработки естественного языка по доступному необработанному тексту. Это облачный алгоритм, который включает сложные алгоритмы машинного обучения в простой и наглядной форме. Его основные функции включают извлечение ключевых фраз, определение языка, анализ тональности и распознавание именованных сущностей.
Примеры - Bing, Xbox.
- IBM Watson-
Https://infotechlead.com/wp-content/uploads/2020/06/IBM-Watson-Works.jpg
IBM Watson - это мощный алгоритм машинного обучения, который предлагает аналогичные предложения Google Cloud Platform и позволяет разработчикам выявлять закономерности и тенденции, а также другие полезные идеи. Это помогает лучше принимать решения.
Ключевыми компонентами Watson Discovery API являются IBM Watson Personality Insights, IBM Watson Assistant, IBM Watson Visual Recognition, IBM Watson Speech to Text, IBM Watson Natural Language Processing.
Примеры - языковые переводы, построение социальных прогнозов с помощью заданного текста.
Сервисы Watson предоставляют пользователям большую гибкость, но используются на уровне предприятия, а не для студентов, поскольку они более дороги и требуют использования Bluemix.
ПРОСТЫЕ ШАГИ ПРИ РАЗВЕРТЫВАНИИ МОДЕЛЕЙ ОБУЧЕНИЯ МАШИНЫ В ОБЛАК-
Https://cloudxlab.com/blog/wp-content/uploads/2019/04/Machine-Learning-Model-Deployment.png
- Получение набора данных. Чтобы делать правильные прогнозы, нам нужен хороший набор данных, не слишком маленький. У Python есть несколько удивительных библиотек, таких как pandas, которые помогают создать правильную модель машинного обучения. Данные сначала загружаются в Panda, а затем разделяются на их метку и функции. Затем столбец меток выбирается по его имени (качество) и опускается в столбец, чтобы получить все функции.
2. Обучение модели машинного обучения. Цель модели машинного обучения - найти взаимосвязь между этикеткой и ее характеристиками. Это делается путем демонстрации нашей модели набора примеров из нашего набора данных. Все эти примеры определяют, как каждая функция в нашей модели влияет на метку. Этот процесс называется «обучением модели». Используя библиотеку Scikit-Learn, модель можно обучить быстро.
3. Создание простого веб-сервера с помощью Flask- Чтобы развернуть нашу модель, мы должны сначала создать веб-сервер. Веб-серверы прослушивают веб-трафик и выполняют функции, когда к ним отправляется запрос. Чтобы развернуть нашу модель, нам сначала нужно создать сервер. Серверы - это компьютеры, подключенные к сети и предоставляющие услуги клиентам, они прослушивают веб-трафик и выполняют функции, когда находят адресованный им запрос. Функция, которую они запускают, зависит от маршрута запроса и других доступных данных. Как только это будет сделано, сервер отправит подтверждающее сообщение обратно запрашивающей стороне.
Flask - это мощный фреймворк для микро веб-серверов на Python, который позволяет нам быстро создавать веб-сервисы на основе REST API с минимальными проблемами настройки.
4. Добавление модели на сервер- Следующим шагом является загрузка обученной модели на веб-сервер с помощью библиотеки pickle. Мы можем получить доступ к серверу, отправив сообщение по маршруту «/ echo». Маршрут берет ряд функций из тела запроса и доставляет их в модель. Как только модель сделала прогноз, он отправляется обратно запрашивающей стороне.
Облачные вычисления привлекли большое внимание в последние годы. Гибкость облачных вычислений, мгновенное выделение ресурсов и бесконечное масштабирование делают их подходящей моделью машинного обучения для обучения. Однако есть определенные проблемы, которые облачные вычисления не могут решить с помощью машинного обучения. Некоторые из этих проблем:
- Подготовка данных вручную. Специалисты по обработке данных тратят много времени и энергии, поскольку большинство из них вручную пишут коды. Написание этих кодов вручную не только отнимает много времени, но и сложно, и подвержено ошибкам при их повторном использовании и обслуживании.
- Устранение предвзятости в моделях данных машинного обучения. Для устранения предвзятости или обучения модели машинного обучения требуется наполнить модель дополнительными данными, что требует очень много времени и средств. Если мы попытаемся сократить время, необходимое для устранения систематической ошибки, точность может быть снижена.
- Повторное использование и воспроизводимость - Чтобы повторно использовать и воспроизводить модели данных, все действия, выполняемые с наборами данных, должны быть записаны. В связи с предстоящим принятием закона о конфиденциальности данных компаниям может быть сложно ответить, что они сделали с данными своих клиентов и почему.
- Повторная реализация. Еще одна проблема, с которой сталкиваются ИТ-компании, - это повторная реализация моделей машинного обучения. Повторная реализация ранее разработанных моделей приводит к множеству задержек и ошибок из-за сложных требований к кодированию, что увеличивает время реализации и делает выполнение моделей невозможным.
В заключение, какой API для машинного обучения мы должны выбрать, зависит от требований нашего проекта и требований нашей отрасли. Amazon доступен по цене и позволяет нам тестировать многие функции бесплатно, Azure подходит для новичков, в то время как Google имеет преимущество в количестве данных, на которых предварительно обучена модель.
О Zorba: Zorba - это непрерывная консалтинговая фирма по науке о данных и машинному обучению. Мы предлагаем услуги по консультированию и обучению в области науки о данных и искусственного интеллекта. Мы обслужили более 45 клиентов малого и среднего бизнеса, и 8 наших клиентов - это компании из списка Fortune 500.
Изучите науку о данных с Zorba.
Присоединяйтесь к нашей Когорте стать лидером данных для практического обучения отраслевых экспертов.
Подробнее о наших работах:
Использованная литература-
Https://medium.com/@ODSC/machine-learning-challenges-you-might-not-see-coming-9e3ed893491f https://hackernoon.com/4-ways-startups-can-overcome-implementation -challenges-of-machine-learning-dbgoi384n
