Sa katunayan, ito ay maaaring. Sa Google Cloud Machine Learning, mayroong feature na tinatawag na Cloud Machine Learning Engine (CMLE). Nagbibigay ang CMLE ng malakas at nasusukat na platform para sa pagsasanay at pag-deploy ng mga modelo ng machine learning sa cloud. Nagbibigay-daan ito sa mga user na magbasa ng data mula sa Cloud storage at gumamit ng sinanay na modelo para sa hinuha.
Pagdating sa pagbabasa ng data mula sa Cloud storage, nag-aalok ang CMLE ng tuluy-tuloy na pagsasama sa iba't ibang opsyon sa storage, kabilang ang Google Cloud Storage. Maaaring iimbak ng mga user ang kanilang data ng pagsasanay, pati na rin ang anumang iba pang nauugnay na file, sa mga Cloud storage bucket. Maaaring ma-access ng CMLE ang mga bucket na ito at basahin ang data sa panahon ng proseso ng pagsasanay. Nagbibigay-daan ito para sa mahusay at maginhawang pamamahala ng data, pati na rin ang kakayahang magamit ang malalaking dataset na maaaring lumampas sa kapasidad ng lokal na storage.
Sa mga tuntunin ng paggamit ng sinanay na modelo, binibigyang-daan ng CMLE ang mga user na tumukoy ng sinanay na modelo na nakaimbak sa Cloud storage para sa mga gawain sa paghula. Kapag ang isang modelo ay nasanay at na-save sa Cloud storage, madali itong ma-access at magamit ng CMLE para sa paggawa ng mga hula sa bagong data. Ito ay partikular na kapaki-pakinabang kapag may pangangailangang mag-deploy ng sinanay na modelo at gumawa ng real-time na mga hula sa isang kapaligiran ng produksyon.
Upang ilarawan ang konseptong ito, isaalang-alang ang isang senaryo kung saan ang isang machine learning na modelo ay sinanay upang pag-uri-uriin ang mga larawan. Ang sinanay na modelo ay nakaimbak sa isang Cloud storage bucket. Sa CMLE, maaaring tukuyin ng mga user ang lokasyon ng sinanay na modelo sa Cloud storage at i-deploy ito bilang isang endpoint. Maaaring gamitin ang endpoint na ito upang magpadala ng mga bagong larawan para sa pag-uuri. Babasahin ng CMLE ang sinanay na modelo mula sa Cloud storage, gagawa ng mga kinakailangang pagkalkula, at magbibigay ng mga hula batay sa mga input na larawan.
Talagang may kakayahan ang CMLE na magbasa ng data mula sa Cloud storage at tumukoy ng sinanay na modelo para sa hinuha. Ang tampok na ito ay nagbibigay-daan para sa mahusay na pamamahala ng data at ang pag-deploy ng mga sinanay na modelo sa mga real-world na application.
Iba pang kamakailang mga tanong at sagot tungkol sa Pagsulong sa Pag-aaral ng Makina:
- Ano ang mga limitasyon sa pagtatrabaho sa malalaking dataset sa machine learning?
- Magagawa ba ng machine learning ang ilang dialogic na tulong?
- Ano ang TensorFlow playground?
- Pinipigilan ba ng eager mode ang distributed computing functionality ng TensorFlow?
- Magagamit ba ang mga solusyon sa cloud ng Google upang i-decouple ang pag-compute mula sa storage para sa mas mahusay na pagsasanay ng modelong ML na may malaking data?
- Nag-aalok ba ang Google Cloud Machine Learning Engine (CMLE) ng awtomatikong pagkuha at pagsasaayos ng mapagkukunan at pinangangasiwaan ang pagsasara ng mapagkukunan pagkatapos ng pagsasanay ng modelo?
- Posible bang sanayin ang mga modelo ng pag-aaral ng makina sa mga arbitraryong malalaking set ng data nang walang mga hiccups?
- Kapag gumagamit ng CMLE, ang paggawa ng isang bersyon ay nangangailangan ng pagtukoy ng pinagmulan ng isang na-export na modelo?
- Magagamit ba ang Tensorflow para sa pagsasanay at pag-iinference ng mga deep neural network (DNNs)?
- Ano ang Gradient Boosting algorithm?
Tingnan ang higit pang mga tanong at sagot sa Pagsulong sa Machine Learning