馬浩壤

要?jiǎng)?chuàng)建有效的深度學(xué)習(xí)模型，需要大量的數(shù)據(jù)對(duì)模型進(jìn)行有效的訓(xùn)練。然后安裝模型，對(duì)模型進(jìn)行監(jiān)視以防止出現(xiàn)漂移，并根據(jù)需要對(duì)其進(jìn)行重新訓(xùn)練，如此反復(fù)直到達(dá)到標(biāo)。

模型的訓(xùn)練需要使用非常多的計(jì)算資源，如果已經(jīng)投資了大規(guī)模的計(jì)算資源，可以在本地完成所有這些工作。但是，你會(huì)發(fā)現(xiàn)這些計(jì)算資源在許多時(shí)間處于非使用狀態(tài)，如果在云平臺(tái)中進(jìn)行上述活動(dòng)，則可能更具成本效益。

大多數(shù)云提供商投入大量精力來(lái)構(gòu)建機(jī)器學(xué)習(xí)平臺(tái)，以支持整個(gè)機(jī)器學(xué)習(xí)生命周期。那么，每個(gè)端到端機(jī)器學(xué)習(xí)平臺(tái)應(yīng)提供哪些功能呢？

訓(xùn)練數(shù)據(jù)模型

準(zhǔn)備好大量的訓(xùn)練數(shù)據(jù)之后，當(dāng)然不希望遷移這些數(shù)據(jù)，因?yàn)檫@個(gè)過程通常需要花費(fèi)非常多時(shí)間，意味著在這段時(shí)間內(nèi)什么事也不能做。對(duì)于大型數(shù)據(jù)集，理想的情況是創(chuàng)建一個(gè)已經(jīng)存在數(shù)據(jù)的模型，從而避免大量數(shù)據(jù)遷移。

支持ETL或ELT

導(dǎo)出，轉(zhuǎn)換和加載（ETL）和導(dǎo)出，加載和轉(zhuǎn)換（ELT）是數(shù)據(jù)庫(kù)領(lǐng)域中的2種常見數(shù)據(jù)配置技術(shù)，機(jī)器學(xué)習(xí)和深度學(xué)習(xí)非常需要這些工具，尤其是變換部分。

支持在線模型訓(xùn)練

建立良好的機(jī)器學(xué)習(xí)和深度學(xué)習(xí)模型需要大規(guī)模數(shù)據(jù)，將這些數(shù)據(jù)全部下載到本地進(jìn)行模型訓(xùn)練，是非常費(fèi)時(shí)的過程。數(shù)據(jù)規(guī)模達(dá)到一定規(guī)模之后，會(huì)發(fā)現(xiàn)很難找到本地資源來(lái)存儲(chǔ)這些數(shù)據(jù)，所以支持在線模型訓(xùn)練成為云平臺(tái)必須要具有的功能。

支持scale-up and scale-out訓(xùn)練

利用云平臺(tái)，幫助生成多個(gè)大型虛擬機(jī)或容器環(huán)境，加速在本地進(jìn)行的訓(xùn)練活動(dòng)，這將大大較少訓(xùn)練時(shí)間。

提供優(yōu)化的AI服務(wù)

云平臺(tái)為許多應(yīng)用程序提供了強(qiáng)大且經(jīng)過優(yōu)化的AI服務(wù)或解決方案，包括語(yǔ)言翻譯、語(yǔ)音到文本、文本到語(yǔ)音、預(yù)測(cè)和推薦。這些服務(wù)已經(jīng)在企業(yè)可用的數(shù)據(jù)集中進(jìn)行了培訓(xùn)和檢查，這些也安裝在具有足夠計(jì)算資源的服務(wù)端點(diǎn)上，包括加速器，以確認(rèn)在全球負(fù)載下的良好響應(yīng)時(shí)間。