Thật vậy, nó có thể. Trong Google Cloud Machine Learning, có một tính năng gọi là Cloud Machine Learning Engine (CMLE). CMLE cung cấp nền tảng mạnh mẽ và có thể mở rộng để đào tạo và triển khai các mô hình học máy trên đám mây. Nó cho phép người dùng đọc dữ liệu từ bộ lưu trữ Đám mây và sử dụng mô hình được đào tạo để suy luận.
Khi đọc dữ liệu từ bộ nhớ trên đám mây, CMLE cung cấp khả năng tích hợp liền mạch với nhiều tùy chọn lưu trữ khác nhau, bao gồm cả Google Cloud Storage. Người dùng có thể lưu trữ dữ liệu đào tạo của họ cũng như mọi tệp có liên quan khác trong nhóm lưu trữ trên Đám mây. CMLE sau đó có thể truy cập các nhóm này và đọc dữ liệu trong quá trình đào tạo. Điều này cho phép quản lý dữ liệu hiệu quả và thuận tiện cũng như khả năng tận dụng các bộ dữ liệu lớn có thể vượt quá dung lượng lưu trữ cục bộ.
Về việc sử dụng mô hình được đào tạo, CMLE cho phép người dùng chỉ định một mô hình được đào tạo được lưu trữ trong bộ lưu trữ Đám mây cho các tác vụ dự đoán. Khi một mô hình đã được đào tạo và lưu vào bộ lưu trữ Đám mây, CMLE có thể dễ dàng truy cập và sử dụng mô hình đó để đưa ra dự đoán về dữ liệu mới. Điều này đặc biệt hữu ích khi có nhu cầu triển khai một mô hình đã được đào tạo và đưa ra dự đoán theo thời gian thực trong môi trường sản xuất.
Để minh họa khái niệm này, hãy xem xét một tình huống trong đó mô hình học máy đã được huấn luyện để phân loại hình ảnh. Mô hình đã đào tạo được lưu trữ trong nhóm lưu trữ Đám mây. Với CMLE, người dùng có thể chỉ định vị trí của mô hình được đào tạo trong bộ lưu trữ Đám mây và triển khai nó làm điểm cuối. Điểm cuối này sau đó có thể được sử dụng để gửi hình ảnh mới để phân loại. CMLE sẽ đọc mô hình được đào tạo từ bộ lưu trữ Đám mây, thực hiện các phép tính cần thiết và đưa ra dự đoán dựa trên hình ảnh đầu vào.
CMLE thực sự có khả năng đọc dữ liệu từ bộ lưu trữ Đám mây và chỉ định một mô hình được đào tạo để suy luận. Tính năng này cho phép quản lý dữ liệu hiệu quả và triển khai các mô hình đã được đào tạo trong các ứng dụng trong thế giới thực.
Các câu hỏi và câu trả lời gần đây khác liên quan đến Tiến bộ trong Học máy:
- Những hạn chế khi làm việc với các tập dữ liệu lớn trong học máy là gì?
- Máy học có thể thực hiện một số hỗ trợ đối thoại không?
- Sân chơi TensorFlow là gì?
- Chế độ háo hức có ngăn cản chức năng tính toán phân tán của TensorFlow không?
- Các giải pháp đám mây của Google có thể được sử dụng để tách điện toán khỏi bộ lưu trữ để đào tạo mô hình ML với dữ liệu lớn hiệu quả hơn không?
- Google Cloud Machine Learning Engine (CMLE) có cung cấp cấu hình và thu thập tài nguyên tự động cũng như xử lý việc tắt tài nguyên sau khi quá trình đào tạo mô hình kết thúc không?
- Có thể huấn luyện các mô hình học máy trên các tập dữ liệu lớn tùy ý mà không gặp trục trặc không?
- Khi sử dụng CMLE, việc tạo phiên bản có yêu cầu chỉ định nguồn của mô hình đã xuất không?
- Tensorflow có thể được sử dụng để đào tạo và suy luận về mạng lưới thần kinh sâu (DNN) không?
- Thuật toán Tăng cường Độ dốc là gì?
Xem thêm câu hỏi và câu trả lời trong Nâng cao trong Học máy
Thêm câu hỏi và câu trả lời:
- Cánh đồng: Trí tuệ nhân tạo
- chương trình: EITC/AI/GCML Google Cloud Machine Learning (đi đến chương trình chứng nhận)
- Bài học: Tiến bộ trong Học máy (đến bài học liên quan)
- Chủ đề: GCP BigQuery và tập dữ liệu mở (đi đến chủ đề liên quan)