Deepar, un algorithme d'apprentissage supervisé pour la prévision des séries chronologiques scalaires à l'aide de réseaux de neurones récurrents, est principalement proposé par Amazon via sa plate-forme Sagemaker AI. Cet algorithme excelle lorsqu'il est appliqué à des ensembles de données composés de nombreuses séries chronologiques connexes, tirant parti d'un seul modèle formé à travers ces séries pour surpasser les méthodes traditionnelles comme Arima ou le lissage exponentiel. Il peut être utilisé pour générer des prévisions pour de nouvelles séries chronologiques qui partagent des similitudes avec les données de formation, et elle prend en charge les fonctionnalités catégorielles statiques en option et les fonctionnalités dynamiques dépendant du temps pour une modélisation plus nuancée. Sagemaker AI permet la formation de modèles Deepar sur les instances CPU et GPU, bien que l'inférence ne prenne en charge uniquement les instances du processeur. Les modèles peuvent être mis à l'échelle sur des instances ou des clusters plus importants pour gérer efficacement les ensembles de données complexes ou grands.
En ce qui concerne l'utilisation de Deepar avec les services cloud au-delà de l'AWS, tels que Google Cloud ou Microsoft Azure, il n'y a pas de service direct marqué en tant que Deepar sur ces plates-formes semblables à l'offre d'AWS Sagemaker AI. Cependant, l'écosystème cloud de Google implique de vastes outils d'apprentissage automatique et de traitement des données qui pourraient potentiellement implémenter des modèles similaires à Deepar grâce à des développements personnalisés. Par exemple, Google Cloud Platform (GCP) offre une intégration avec TensorFlow, un cadre d'apprentissage automatique open source populaire pour les modèles d'apprentissage en profondeur comme les réseaux neuronaux récurrents. TensorFlow peut être utilisé pour recréer des modèles de prévision de type Deepar, en tirant parti des services d'influence et d'apprentissage automatique de GCP tels que la plate-forme AI, BigQuery ML ou des pipelines personnalisés orchestrés via le flux de données ou l'IA de sommet.
Microsoft Azure fournit également une large suite de services d'apprentissage de l'IA et de la machine soutenant les réseaux de neurones récurrents et les prévisions de séries chronologiques. Azure Machine Learning permet aux utilisateurs de développer des modèles personnalisés à l'aide de frameworks comme TensorFlow ou Pytorch, permettant la construction de modèles équivalents profonds. L'écosystème d'IA d'Azure peut s'intégrer à ses services de stockage et de traitement de données tels que Azure Synapse Analytics et Azure Databricks pour la gestion complète des données, la préparation et la prévision des données. L'évolutivité d'Azure et le support cloud hybride facilitent le déploiement de ces modèles dans divers environnements d'entreprise.
Deepar est intrinsèquement une approche de recherche et de mise en œuvre publiée et opérationnelle par Amazon, mais pas une technologie propriétaire confinée strictement à AWS. L'architecture du modèle et les principes de formation sont suffisamment ouverts pour la réplication sur d'autres plateformes cloud avec la bonne expertise et les bonnes ressources. L'infrastructure d'apprentissage automatique de Google, y compris les ressources Tensorflow et TPU, peut alimenter des modèles autorégressifs profonds similaires pour les prévisions de séries chronologiques, tandis que Microsoft Azure offre les services fondamentaux pour construire, former et déployer ces modèles dans son écosystème. Ainsi, bien qu'il n'y ait pas de service Deepar à l'emploi à l'extérieur d'AWS SageMaker, Google Cloud et Microsoft Azure offrent les composants nécessaires pour implémenter des flux de travail de type Deepar adaptés à des besoins de prévision spécifiques.
De plus, la recherche sur Deepar comprend des cadres d'exécution hybride tirant parti des couches de bord, de dispositif et de calcul de cloud. Ces cadres envisagent le partitionnement des exécutions de réseau neuronal entre les appareils et les ressources cloud pour optimiser les performances, permettant l'intégration dans des environnements cloud multi-nucloud ou hybrides. De telles approches correspondent bien aux capacités évolutives et distribuées de Google Cloud et Microsoft Azure, en particulier pour les applications Edge-to Cloud dans les scénarios IoT ou Mobile industriels.
En conclusion, Deepar en tant que service de marque ou emballé est actuellement disponible directement sur AWS Sagemaker AI. Pourtant, sa méthodologie de prévision autorégressive profonde sous-jacente peut être implémentée à l'aide des services d'apprentissage automatique de Google Cloud ou Microsoft Azure en créant des modèles personnalisés, en tirant parti de TensorFlow ou d'autres cadres d'apprentissage en profondeur, et en utilisant les données de ces fournisseurs de cloud et l'infrastructure d'IA. Cette approche nécessite une expertise en génie ML mais offre une flexibilité complète et des possibilités d'intégration dans ces environnements cloud, soutenant des solutions de prévision des séries chronologiques sophistiquées semblables à Deepar.
Références utilisées:- Amazon Sagemaker Deepar Documentation et Détails d'algorithme
- Capacités de service et de service d'apprentissage machine de Google et modèles d'intégration
- Comparaison et informations sur les services de plate-forme cloud IA, y compris Azure
- Littérature de recherche décrivant la méthodologie profonde et les cadres d'exécution du cloud hybride