Ao usar CMLE (Cloud Machine Learning Engine) para criar uma versão, é necessário especificar a origem de um modelo exportado. Este requisito é importante por vários motivos, que serão explicados detalhadamente nesta resposta.
Primeiramente, vamos entender o que se entende por “modelo exportado”. No contexto do CMLE, um modelo exportado refere-se a um modelo de aprendizado de máquina treinado que foi salvo ou exportado em um formato que pode ser usado para previsão. Este modelo exportado pode ser armazenado em vários formatos, como TensorFlow SavedModel, TensorFlow Lite ou até mesmo em um formato personalizado.
Agora, por que é necessário especificar a origem de um modelo exportado ao criar uma versão no CMLE? O motivo está no fluxo de trabalho do CMLE e na necessidade de fornecer os recursos necessários para atender o modelo. Ao criar uma versão, o CMLE precisa saber onde o modelo exportado está localizado para que possa ser implantado e disponibilizado para previsão.
Ao especificar a origem do modelo exportado, o CMLE pode recuperar o modelo com eficiência e carregá-lo na infraestrutura de serviço. Isso permite que o modelo esteja pronto para solicitações de previsão dos clientes. Sem especificar a fonte, o CMLE não saberia onde encontrar o modelo e não seria capaz de servir previsões.
Além disso, especificar a origem do modelo exportado permite que o CMLE lide com o controle de versão de maneira eficaz. No aprendizado de máquina, é comum treinar e iterar modelos, melhorando-os ao longo do tempo. CMLE permite criar múltiplas versões de um modelo, cada uma representando uma iteração ou melhoria diferente. Ao especificar a origem do modelo exportado, o CMLE pode acompanhar essas versões e garantir que o modelo correto seja servido para cada solicitação de previsão.
Para ilustrar isso, considere um cenário em que um engenheiro de aprendizado de máquina treina um modelo usando TensorFlow e o exporta como SavedModel. O engenheiro então usa o CMLE para criar uma versão do modelo, especificando a origem como o arquivo SavedModel exportado. CMLE implanta o modelo e o disponibiliza para previsão. Agora, se o engenheiro posteriormente treinar uma versão melhorada do modelo e exportá-la como um novo SavedModel, ele poderá criar outra versão no CMLE, especificando o novo modelo exportado como origem. Isso permite que o CMLE gerencie ambas as versões separadamente e forneça o modelo apropriado com base na versão especificada nas solicitações de previsão.
Ao usar o CMLE para criar uma versão, é necessário especificar uma origem de um modelo exportado para fornecer os recursos necessários para servir o modelo, permitir a recuperação e o carregamento eficientes do modelo e dar suporte ao controle de versão dos modelos.
Outras perguntas e respostas recentes sobre Avançando no aprendizado de máquina:
- Quais são as limitações em trabalhar com grandes conjuntos de dados em aprendizado de máquina?
- O aprendizado de máquina pode prestar alguma assistência dialógica?
- O que é o playground do TensorFlow?
- O modo ansioso impede a funcionalidade de computação distribuída do TensorFlow?
- As soluções em nuvem do Google podem ser usadas para dissociar a computação do armazenamento para um treinamento mais eficiente do modelo de ML com big data?
- O Google Cloud Machine Learning Engine (CMLE) oferece aquisição e configuração automática de recursos e lida com o desligamento de recursos após a conclusão do treinamento do modelo?
- É possível treinar modelos de aprendizado de máquina em conjuntos de dados arbitrariamente grandes sem problemas?
- O CMLE pode ler dados de armazenamento do Google Cloud e usar um modelo treinado específico para inferência?
- O Tensorflow pode ser usado para treinamento e inferência de redes neurais profundas (DNNs)?
- O que é o algoritmo Gradient Boosting?
Veja mais perguntas e respostas em Avanço no aprendizado de máquina