Введение
В этой статье я поделюсь тем, что узнал, посетив AWS Summit Singapore 2019. Мероприятие состоялось в выставочном и конференц-центре Singapore Expo 11 апреля 2019 года.
Участие в переговорах
На саммите состоялось почти 50 переговоров, организованных по 7 направлениям. Вот какие доклады я посетил:
Уроки выучены
1. Как сделать аналитику самообслуживания в масштабе
Такие инструменты, как Excel и Tableau, позволяют нетехническим пользователям создавать собственные отчеты. Однако, когда исходные файлы становятся большими или логика обработки становится более сложной, этим пользователям придется полагаться на ИТ-отдел своей организации для создания своих отчетов, поскольку инструменты, к которым они привыкли, не предназначены для крупномасштабной аналитики. В результате , пользователи теряют возможность оперативной настройки своего отчета.
Решение этой проблемы состоит в том, чтобы пользователи загружали свои данные в какое-либо облачное хранилище и использовали облачный аналитический инструмент. На платформе AWS пользователи могут хранить свои данные в S3 и использовать QuickSight для аналитики.
2. Как делать выводы машинного обучения на периферийных устройствах IoT
Я узнал, что у AWS есть сервис под названием IoT Greengrass. С помощью этого сервиса вы можете обучить свою модель машинного обучения в SageMaker в облаке и развернуть ее на своем устройстве, чтобы делать логические выводы локально без необходимости выполнять какую-либо ручную оптимизацию для конкретной платформы. Поддерживаемые платформы: Intel Atom, NVIDIA Jetson TX2 и Raspberry Pi.
3. Как построить конвейер для развертывания моделей машинного обучения в рабочей среде
Конвейер должен быть выполнен следующим образом:
Во-первых, контролируйте версии исходного кода модели. Когда фиксация сделана в репозитории, она запускает сборку. Сборка включает в себя обучение и оценку модели. Когда сборка будет завершена, разработчики получат уведомление с результатами оценки. Если результаты удовлетворительны, разработчик запускает следующую фазу развертывания модели в рабочей среде. Вот где артефакты модели, например. веса, определение графика и т. д. экспортируются и перестраиваются в производственной среде вместе с любыми вспомогательными службами.
Соответствующие сервисы AWS для создания вышеуказанного конвейера:
- CodeCommit: для контроля версий исходного кода модели
- CodePipeline: для организации всех компонентов в конвейере.
- SageMaker: для обучения и оценки модели
- CloudFormation: для создания вспомогательных сервисов
4. Как масштабировать проект машинного обучения
Ребята из AWS поделились шаблоном для создания бизнес-кейса для проектов машинного обучения. Шаблон общедоступен для скачивания здесь. Он состоит из набора вопросов, которые необходимо решить, прежде чем можно будет начать проект ML. Я думаю, что это очень полезно, поскольку не позволяет организациям выделять дорогостоящие ресурсы на проекты с туманными целями.
