機器學(xué)習(xí)已成為數(shù)據(jù)驅(qū)動世界的先驅(qū)。大多數(shù)企業(yè)使用機器學(xué)習(xí)和數(shù)據(jù)分析來更好地了解他們的目標(biāo)受眾，自動化他們的一些生產(chǎn)，根據(jù)市場需求創(chuàng)造更好的產(chǎn)品，提高業(yè)務(wù)績效等。所有這些都可以提高盈利能力，并使他們比競爭對手更具優(yōu)勢。

但是，機器學(xué)習(xí)需要基礎(chǔ)設(shè)施、正確的專業(yè)知識、工具和技術(shù)來從頭開始構(gòu)建、測試和實施 ML 算法并進(jìn)行部署。雖然許多中小企業(yè)可能不熟悉機器學(xué)習(xí)模型部署的需求和要求。

什么是機器學(xué)習(xí) （ML） 部署？

ML 部署意味著將機器學(xué)習(xí) （ML） 模型部署到生產(chǎn)環(huán)境中以產(chǎn)生業(yè)務(wù)價值。但是，部署到生產(chǎn)環(huán)境是一個耗時的過程。同時，模型的成功部署需要特定領(lǐng)域的知識來克服新的工程和運營挑戰(zhàn)。

ML 部署將 ML 模型合并到生產(chǎn)環(huán)境中，同時牢記所開發(fā)模型的可伸縮性、可移植性和性能方面。它可以通過使用可用的方法來完成，如批量預(yù)測或按需預(yù)測等。

如何部署機器學(xué)習(xí)模型？

機器學(xué)習(xí)模型的常規(guī)部署主要包括以下步驟：

在訓(xùn)練環(huán)境中創(chuàng)建和開發(fā)模型

清理代碼并進(jìn)行測試，準(zhǔn)備部署

準(zhǔn)備容器部署代碼

在機器學(xué)習(xí)部署成功后，規(guī)劃并準(zhǔn)備持續(xù)監(jiān)視和維護

將機器學(xué)習(xí)應(yīng)用程序投入生產(chǎn)可能既乏味又困難。

為了克服這些麻煩，云計算來了。許多云計算平臺都提供強大的機器學(xué)習(xí)服務(wù)和功能。

微軟、谷歌和亞馬遜最常被評為頂級MLaaS提供商。這些云服務(wù)提供商幫助巨頭到不想從頭開始構(gòu)建、測試和實施其機器學(xué)習(xí)算法的中小企業(yè)。這些公司可以專注于他們的核心業(yè)務(wù)，并從機器學(xué)習(xí)中獲得附加值，而無需成為專家。

機器學(xué)習(xí)平臺和框架

但是，選擇特定的云平臺需要進(jìn)行盡職調(diào)查并比較每個平臺以充分了解其功能和差異。

亞馬遜網(wǎng)絡(luò)服務(wù) （AWS）

AWS 為實現(xiàn) ML 目標(biāo)提供了廣泛的工具和服務(wù)，能夠利用巨大的云計算和數(shù)據(jù)容量。

Amazon SageMaker：Amazon Web Services提供Amazon SageMaker平臺，提供的工具使開發(fā)人員和數(shù)據(jù)科學(xué)家能夠輕松構(gòu)建、訓(xùn)練和部署任何規(guī)模的機器學(xué)習(xí)模型。例如，為了簡化數(shù)據(jù)探索和分析，而無需服務(wù)器管理麻煩，它提供了創(chuàng)作筆記本Jupyter。

內(nèi)置的 SageMaker 方法使數(shù)據(jù)科學(xué)家能夠利用其部署功能自定義、添加其方法、數(shù)據(jù)集和運行模型。它還有助于與TensorFlow，Keras，Gluon，Torch，MXNet以及許多其他機器學(xué)習(xí)工具和庫的集成。

以下是使用 SageMaker 訓(xùn)練和部署 ML 模型的不同方式：

使用 SageMaker 的內(nèi)置算法容器在 SageMaker 中創(chuàng)建和部署 ML 模型

創(chuàng)建模型，然后使用 SageMaker 的內(nèi)置算法容器進(jìn)行部署（自帶模型類型）

在 SageMaker 外部創(chuàng)建一個模型，將容器放入 SageMaker 中，并部署它以供使用

Azure ML （Azure ML Studio）

微軟 AzureML Studio 是一個 Web 界面，可提供廣泛的服務(wù)來快速構(gòu)建、訓(xùn)練和部署機器學(xué)習(xí)模型。它提供了一個拖放界面，其中包含簡單的模塊，用于執(zhí)行常見功能，如訪問數(shù)據(jù)、清理數(shù)據(jù)、評分、測試模型和部署等。

它的設(shè)計方式使沒有經(jīng)驗的開發(fā)人員和數(shù)據(jù)科學(xué)家可以輕松訓(xùn)練和部署模型，而無需管理云實例，Python編碼和Jupyter Notebooks。這加速了機器學(xué)習(xí)模型的開發(fā)和部署。

內(nèi)置模塊有助于預(yù)處理數(shù)據(jù)，以使用機器學(xué)習(xí)和深度學(xué)習(xí)算法（如推薦系統(tǒng)、計算機視覺、異常檢測、文本分析等）構(gòu)建和訓(xùn)練 ML/DL 模型。

以下是使用 Azure ML 訓(xùn)練和部署 ML 模型的不同方法：

使用多種工具進(jìn)行開發(fā)：使用 Jupyter 筆記本、拖放設(shè)計器和自動化機器學(xué)習(xí)

大規(guī)模創(chuàng)建和部署模型：使用自動化且可重現(xiàn)的機器學(xué)習(xí)工作流

利用一組豐富的內(nèi)置負(fù)責(zé)任功能進(jìn)行負(fù)責(zé)任的創(chuàng)新，以幫助您了解、保護和控制數(shù)據(jù)、模型和流程

通過對開源框架和語言（如MLflow，Kubeflow，ONNX，PyTorch，TensorFlow，Python和R）的一流支持進(jìn)行構(gòu)建

谷歌云自動ML

Google Cloud AutoML 是一個基于云的 ML 平臺，用于通過無代碼方法構(gòu)建數(shù)據(jù)驅(qū)動的解決方案。它還可以通過一組 API 建議一組預(yù)構(gòu)建的模型。

Cloud AutoML 是一個用戶友好的平臺，即使機器學(xué)習(xí)體驗有限，開發(fā)人員也可以獲得特定于業(yè)務(wù)需求的高質(zhì)量模型。該工具使開發(fā)人員能夠訪問Google的研究工作，并根據(jù)自己的需求調(diào)整結(jié)果。

自動機器學(xué)習(xí)產(chǎn)品/服務(wù)

景象：AutoML 視覺從圖像中獲得見解，AutoML 視頻智能（僅限測試版）可在視頻中實現(xiàn)強大的內(nèi)容發(fā)現(xiàn)。

語言：AutoML 自然語言支持構(gòu)建和部署自定義機器學(xué)習(xí)模型，以分析文檔、對其進(jìn)行分類、識別其中的實體或評估其中的態(tài)度。

結(jié)構(gòu)化數(shù)據(jù)：AutoML 表在結(jié)構(gòu)化數(shù)據(jù)上構(gòu)建和部署機器學(xué)習(xí)模型。

AWS，Azure和GCP這三個云平臺中的每一個都是獨一無二的，并為組織提供了大量選項，可以根據(jù)其特定要求進(jìn)行選擇。

審核編輯：郭婷