Ли, Т., Чжун, Дж., Лю, Дж., Ву, В., и Чжан, К. (2017). Простота. ml: На пути к многопользовательскому совместному использованию ресурсов для рабочих нагрузок машинного обучения. препринт arXiv arXiv:1708.07308.
В этом документе представлен еще один вариант мультитенантности в системе машинного обучения, когда пользователи (или арендаторы) отправляют задания, предоставляя только формат ввода и вывода (например, размер изображения и количество классов для выбора) и обучающие данные (например, пары помеченные изображения), вместо реальной рабочей нагрузки машинного обучения, указывающей, какую модель обучать. Затем система автоматически изучит возможные модели (например, AlexNet, ResNet, GoogLeNet для классификации изображений), выделит ресурсы, запланирует учебную нагрузку и вернет выходные данные, используя лучшую модель, изученную на данный момент в наборе данных, когда пользователь вводит новый объект.
Этот дизайн мотивирован наблюдением, что в ETH Zurich мощный кластер графического процессора предоставляется более чем 10 исследовательским группам для задач машинного обучения, но эти пользователи, не связанные с информатикой, плохо выбирают модели и могут легко в конечном итоге тратить ресурсы на слишком сложные модели, но переоснащение. Оценка показывает, что эта система может работать до 9,8 раз быстрее в достижении того же глобального качества для всех пользователей, чем раньше.
