Deepar, en overvåket læringsalgoritme for prognoserskalar -tidsserier ved bruk av tilbakevendende nevrale nettverk, tilbys først og fremst av Amazon gjennom sin sagemaker AI -plattform. Denne algoritmen utmerker seg når den brukes på datasett bestående av mange relaterte tidsserier, og utnytter en enkelt modell som er trent på tvers av disse seriene for å overgå tradisjonelle metoder som Arima eller Exponential -utjevning. Den kan brukes til å generere prognoser for nye tidsserier som deler likheter med treningsdataene, og den støtter valgfrie statiske kategoriske funksjoner og dynamiske tidsavhengige funksjoner for mer nyansert modellering. Sagemaker AI tillater trening av Deepar -modeller på både CPU- og GPU -forekomster, selv om inferens bare støtter CPU -forekomster. Modeller kan skaleres opp i større forekomster eller klynger for å håndtere komplekse eller store datasett effektivt.
Når det gjelder Deepars bruk med skytjenester utover AWS, som Google Cloud eller Microsoft Azure, er det ingen direkte tjeneste som er merket som Deepar på disse plattformene som AWS Sagemaker AIs tilbud. Googles skyøkosystem innebærer imidlertid omfattende maskinlæring og databehandlingsverktøy som potensielt kan implementere modeller som ligner på Deepar gjennom tilpasset utvikling. For eksempel tilbyr Google Cloud Platform (GCP) integrasjon med TensorFlow, et open source maskinlæringsramme som er populært for dype læringsmodeller som tilbakevendende nevrale nettverk. Tensorflow kan brukes til å gjenskape Deepar-lignende prognosemodeller, utnytte GCPs AI- og maskinlæringstjenester som AI-plattform, BigQuery ML eller tilpassede rørledninger som er orkestrert via Dataflow eller Vertex AI.
Microsoft Azure tilbyr også en bred pakke med AI og maskinlæringstjenester som støtter tilbakevendende nevrale nettverk og prognoser for tidsserier. Azure Machine Learning lar brukere utvikle tilpassede modeller ved å bruke rammer som TensorFlow eller Pytorch, noe som muliggjør konstruksjon av dypar-ekvivalente modeller. Azures AI -økosystem kan integreres med sine datalagrings- og prosesseringstjenester som Azure Synapse Analytics og Azure Databricks for omfattende tidsserie -datahåndtering, utarbeidelse og prognoser. Azures skalerbarhet og hybrid skystøtte letter distribusjon av slike modeller i forskjellige bedriftsmiljøer.
Deepar er iboende en forsknings- og implementeringsmetode publisert og operasjonalisert av Amazon, men ikke en proprietær teknologi begrenset strengt til AWS. Modellarkitektur- og treningsprinsippene er åpne nok for replikering på andre skyplattformer med riktig kompetanse og ressurser. Googles maskinlæringsinfrastruktur, inkludert TensorFlow og TPU -ressurser, kan drive lignende dype autoregressive modeller for tidsserieprognoser, mens Microsoft Azure tilbyr grunnleggende tjenester for å bygge, trene og distribuere slike modeller i økosystemet. Selv om det ikke er noen ut-av-boksen Deepar-tjeneste utenfor AWS Sagemaker, tilbyr både Google Cloud og Microsoft Azure de nødvendige komponentene for å implementere Deepar-lignende arbeidsflyter som er skreddersydd til spesifikke prognoserbehov.
Videre inkluderer forskning rundt Deepar hybrid utførelsesrammer som utnytter kant, enhet og skyberegningslag. Disse rammene vurderer å dele opp nevrale nettverksutførelser på tvers av enheter og skyressurser for å optimalisere ytelsen, noe som muliggjør integrasjon i multi-cloud eller hybrid skymiljøer. Slike tilnærminger passer godt til de skalerbare, distribuerte mulighetene til både Google Cloud og Microsoft Azure, spesielt for kant-til-sky-applikasjoner i industrielle IoT eller mobile scenarier.
Avslutningsvis er Deepar som en varemerke eller pakketjeneste for øyeblikket tilgjengelig direkte på AWS Sagemaker AI. Fortsatt kan den underliggende dype autoregressive prognosemetodikken implementeres ved hjelp av Google Cloud eller Microsoft Azures maskinlæringstjenester ved å bygge tilpassede modeller, utnytte TensorFlow eller andre dype læringsrammer og bruke disse skyleverandørenes data og AI -infrastruktur. Denne tilnærmingen krever ML Engineering -kompetanse, men tilbyr full fleksibilitet og integrasjonsmuligheter på tvers av disse skymiljøene, og støtter sofistikerte tidsserieprognoserløsninger som ligner på Deepar.
Referanser brukt:- Amazon Sagemaker Deepar -dokumentasjon og algoritmedetaljer
- Googles sky- og maskinlæringstjenestefunksjoner og integrasjonsmønstre
- Sammenligning og informasjon om skyplattform AI -tjenester inkludert Azure
- Forskningslitteratur som beskriver Deepar Methodology og Hybrid Cloud Execution Frameworks