Deepar, nadzorowany algorytm uczenia się do prognozowania skalarnych szeregów czasowych z wykorzystaniem nawracających sieci neuronowych, jest przede wszystkim oferowany przez Amazon za pośrednictwem platformy AI Sagemaker. Algorytm ten wyróżnia się po zastosowaniu do zestawów danych składających się z wielu powiązanych szeregów czasowych, wykorzystując jeden model wyszkolony w całej serii w celu przewyższenia tradycyjnych metod, takich jak arima lub wygładzanie wykładnicze. Można go wykorzystać do generowania prognoz dla nowych szeregów czasowych, które dzielą podobieństwa z danymi szkoleniowymi, i obsługuje opcjonalne statyczne cechy kategoryczne i dynamiczne cechy zależne od czasu dla bardziej dopracowanego modelowania. Sagemaker AI pozwala na szkolenie modeli Deepar zarówno na instancjach procesora, jak i GPU, chociaż wnioskowanie obsługuje tylko instancje procesora. Modele mogą być skalowane w większych instancjach lub klastrach w celu wydajnego obsługi złożonych lub dużych zestawów danych.
Jeśli chodzi o korzystanie z Deepar z usługami chmurowymi poza AWS, takimi jak Google Cloud lub Microsoft Azure, nie ma żadnych bezpośrednich usług, które na tych platformach są zgodne z ofertą AWS Sagemaker AI. Jednak ekosystem w chmurze Google obejmuje obszerne narzędzia uczenia maszynowego i przetwarzania danych, które potencjalnie mogą wdrażać modele podobne do Deepar poprzez niestandardowe rozwój. Na przykład Google Cloud Platform (GCP) oferuje integrację z TensorFlow, open source framework uczenia maszynowego popularnego w modelach głębokiego uczenia się, takich jak nawracające sieci neuronowe. TensorFlow można wykorzystać do odtwarzania modeli prognozowania podobnych do głębokiego, wykorzystując AI i usługi uczenia maszynowego GCP, takie jak platforma AI, BigQuery ML lub niestandardowe rurociągi zorganizowane za pośrednictwem DataFlow lub Vertex AI.
Microsoft Azure zapewnia również szeroki zestaw usług AI i uczenia maszynowego wspierające powtarzające się sieci neuronowe i prognozowanie szeregów czasowych. Azure Machine Learning pozwala użytkownikom opracowywać niestandardowe modele za pomocą frameworków takich jak TensorFlow lub Pytorch, umożliwiając budowę modeli równoważnych Deepar. Ekosystem AI Azure może zintegrować z usługami przechowywania i przetwarzania danych, takimi jak Azure Synapse Analytics i Azure Databricks, aby uzyskać kompleksowe zarządzanie danymi, przygotowywanie i prognozowanie. Skalowalność Azure i hybrydowe wsparcie w chmurze ułatwiają wdrażanie takich modeli w różnych środowiskach przedsiębiorstwa.
Deepar z natury jest podejściem badawczym i wdrażanym opublikowanym i operacjonalizowanym przez Amazon, ale nie zastrzeżoną technologię ograniczoną ściśle do AWS. Modelowa architektura i zasady szkolenia są wystarczająco otwarte do replikacji na innych platformach chmurowych o odpowiedniej wiedzy i zasobach. Infrastruktura uczenia maszynowego Google, w tym zasoby TensorFlow i TPU, może zasilać podobne głębokie modele autoregresyjne do prognozowania szeregów czasowych, podczas gdy Microsoft Azure oferuje fundamentalne usługi do budowy, szkolenia i wdrażania takich modeli w swoim ekosystemie. Zatem, chociaż nie ma gotowej usługi Deepar poza AWS Sagemaker, zarówno Google Cloud, jak i Microsoft Azure oferują niezbędne komponenty do wdrożenia przepływów pracy podobnych do Deepar dostosowanych do określonych potrzeb prognozowania.
Ponadto badania dotyczące Deepar obejmują hybrydowe ramy wykonywania, wykorzystując warstwy obliczeń krawędzi, urządzeń i chmur. Ramy te rozważają podział realizacji sieci neuronowej na urządzeniach i zasobach w chmurze w celu optymalizacji wydajności, umożliwiając integrację w środowiskach wielorasko-chmurowych lub hybrydowych. Takie podejścia dobrze pasują do skalowalnych, rozproszonych możliwości zarówno Google Cloud, jak i Microsoft Azure, szczególnie w przypadku aplikacji Edge-to-Cloud w scenariuszach IoT przemysłowych lub mobilnych.
Podsumowując, Deepar jako znak towarowy lub pakowany jest obecnie dostępny bezpośrednio w AWS Sagemaker AI. Mimo to leżąca u podstaw głębokiej metodologii prognozowania autoregresyjnego można wdrożyć przy użyciu Google Cloud lub Microsoft Azure's Machine Learning Services, budując niestandardowe modele, wykorzystując tensorflow lub inne ramy głębokiego uczenia się oraz wykorzystując dane tych dostawców chmur i infrastruktury AI. Takie podejście wymaga wiedzy specjalistycznej inżynierii ML, ale oferuje pełną elastyczność i możliwości integracji w tych środowiskach chmurowych, wspierając wyrafinowane rozwiązania prognozowania szeregów czasowych podobnych do Deepar.
Zastosowane odniesienia:- Dokumentacja Deepar i szczegóły algorytmu Amazon
- możliwości i wzorce integracji i wzorce integracji i wzorce integracji Google
- Porównanie i informacje o usługach AI platformy chmurowej, w tym Azure
- Literatura badawcza opisująca metodologię Deepar i ramy wykonywania chmury hybrydowej