يتم تقديم خوارزمية تعليمية خاضعة للإشراف للتنبؤ بالسلسلة الزمنية العددية باستخدام الشبكات العصبية المتكررة ، بشكل أساسي من قبل Amazon من خلال منصة Sagemaker AI. تتفوق هذه الخوارزمية عند تطبيقها على مجموعات البيانات التي تتكون من العديد من السلاسل الزمنية ذات الصلة ، وتستفيد من نموذج واحد تم تدريبه عبر هذه السلسلة لتفوق الأساليب التقليدية مثل ARIMA أو تجانس الأسي. يمكن استخدامه لإنشاء تنبؤات لسلسلة زمنية جديدة تشترك في أوجه التشابه مع بيانات التدريب ، ويدعم ميزات فئوية ثابتة اختيارية وميزات ديناميكية تعتمد على الوقت لنمذجة أكثر دقة. يسمح Sagemaker AI بتدريب نماذج Deepar على كل من CPU و GPU مثيلات ، على الرغم من أن الاستدلال يدعم حالات وحدة المعالجة المركزية فقط. قد يتم توسيع نطاق النماذج على مثيلات أو مجموعات أكبر للتعامل مع مجموعات بيانات معقدة أو كبيرة بكفاءة.
فيما يتعلق باستخدام Deepar مع الخدمات السحابية خارج AWS ، مثل Google Cloud أو Microsoft Azure ، لا توجد خدمة مباشرة تحمل علامة Deepar على هذه المنصات التي تشبه عروض AWS Sagemaker AI. ومع ذلك ، فإن النظام البيئي السحابي من Google يتضمن أدوات واسعة التعلم الآلي ومعالجة البيانات التي يمكن أن تنفذ نماذج مماثلة لنماذج من خلال التطورات المخصصة. على سبيل المثال ، توفر منصة Google Cloud (GCP) تكاملًا مع TensorFlow ، وهو إطار عمل للتعلم الآلي مفتوح المصدر شائع لنماذج التعلم العميق مثل الشبكات العصبية المتكررة. يمكن استخدام TensorFlow لإعادة إنشاء نماذج التنبؤ التي تشبه أعماق ، والاستفادة من خدمات AI وخدمات التعلم الآلي في GCP مثل منصة AI ، أو BigQuery ML ، أو خطوط الأنابيب المخصصة التي يتم تنسيقها عبر البيانات أو قمة AI.
توفر Microsoft Azure أيضًا مجموعة واسعة من خدمات التعلم الآلي ودعم الشبكات العصبية المتكررة وتنبؤ السلاسل الزمنية. يتيح Azure Machine Learning للمستخدمين تطوير نماذج مخصصة باستخدام أطر مثل TensorFlow أو Pytorch ، مما يتيح بناء نماذج معادلة. يمكن للنظام الإيكولوجي لـ AZure AI الاندماج مع خدمات تخزين ومعالجة البيانات مثل Azure Synapse Analytics و Azure Databricks لإدارة بيانات السلاسل الزمنية الشاملة ، والإعداد والتنبؤ. تسهل قابلية التوسع في Azure ودعم السحابة المختلطة نشر مثل هذه النماذج في بيئات المؤسسات المتنوعة.
Deepar بطبيعته هو نهج البحث والتنفيذ الذي تم نشره وتشغيله من قبل Amazon ولكن ليس تقنية الملكية محصورة بشكل صارم على AWS. مبادئ الهندسة المعمارية والتدريب النموذجية مفتوحة بما يكفي للتكرار على المنصات السحابية الأخرى مع الخبرة المناسبة والموارد. يمكن للبنية التحتية للتعلم الآلي من Google ، بما في ذلك موارد TensorFlow و TPU ، تشغيل نماذج الانحدار التلقائي العميق المتشابهة للتنبؤ بسلسلة زمنية ، بينما تقدم Microsoft Azure الخدمات الأساسية لبناء هذه النماذج وتدريبها ونشرها ضمن نظامها الإيكولوجي. وبالتالي ، على الرغم من عدم وجود خدمة Deepar خارج الصندوق خارج AWS Sagemaker ، فإن كلا من Google Cloud و Microsoft Azure تقدم المكونات اللازمة لتنفيذ سير العمل الشبيه بـ DEEPAR المصممة لتلبية احتياجات التنبؤ المحددة.
علاوة على ذلك ، تتضمن الأبحاث حول Deepar أطر التنفيذ المختلط الاستفادة من طبقات الحافة والأجهزة والحساب السحابية. تنظر هذه الأطر في تقسيم عمليات إعدام الشبكات العصبية عبر الأجهزة والموارد السحابية لتحسين الأداء ، مما يتيح التكامل في البيئات السحابية متعددة السحابة أو الهجينة. تتناسب هذه الأساليب بشكل جيد مع القدرات القابلة للتطوير والموزعة لكل من Google Cloud و Microsoft Azure ، وخاصة للتطبيقات من الحافة إلى السحابة في سيناريوهات إنترنت الأشياء الصناعية أو السيناريوهات المحمولة.
في الختام ، تتوفر Deepar كخدمة علامات تجارية أو معبأة حاليًا مباشرة على AWS Sagemaker AI. ومع ذلك ، يمكن تنفيذ منهجية تنبؤات التنبؤ التلقائية العميقة الكامنة عليها باستخدام خدمات التعلم الآلي من Google أو Microsoft Azure عن طريق بناء نماذج مخصصة ، والاستفادة من TensorFlow أو أطر التعلم العميق الأخرى ، وتوظيف بيانات هذه الخدمات السحابية والبنية التحتية لمنظمة العفو الدولية. يتطلب هذا النهج خبرة هندسية ML ولكنه يوفر إمكانيات كاملة للمرونة وإمكانيات التكامل عبر تلك البيئات السحابية ، مما يدعم حلول التنبؤ بسلسلة زمنية متطورة على غرار Deepar.
المراجع المستخدمة:- Amazon Sagemaker Deepar Documentation وتفاصيل الخوارزمية
- قدرات خدمة التعلم السحابة من Google وقدرات خدمة التعلم الآلي وأنماط التكامل
- المقارنة والمعلومات حول خدمات منصة السحابة الذكاء بما في ذلك Azure
- الأدب البحثي الذي يصف منهجية أعماق وأطر تنفيذ السحابة الهجينة