Deepar, en övervakad inlärningsalgoritm för prognostisering av skalartidsserier med återkommande neurala nätverk, erbjuds främst av Amazon genom sin Sagemaker AI -plattform. Denna algoritm utmärker sig när den tillämpas på datasätt bestående av många relaterade tidsserier, vilket utnyttjar en enda modell tränad över dessa serier för att överträffa traditionella metoder som ARIMA eller exponentiell utjämning. Det kan användas för att generera prognoser för nya tidsserier som delar likheter med utbildningsdata, och det stöder valfria statiska kategoriska funktioner och dynamiska tidsberoende funktioner för mer nyanserad modellering. Sagemaker AI tillåter träning Deepar -modeller på både CPU- och GPU -instanser, även om inferens stöder endast CPU -instanser. Modeller kan skalas upp på större instanser eller kluster för att hantera komplexa eller stora datasätt effektivt.
När det gäller Deepars användning med molntjänster utöver AWS, till exempel Google Cloud eller Microsoft Azure, finns det ingen direkt tjänst som är märkt som Deepar på dessa plattformar som liknar AWS Sagemaker Ais erbjudande. Googles molnekosystem involverar emellertid omfattande maskininlärningsverktyg och databehandlingsverktyg som potentiellt kan implementera modeller som liknar Deepar genom anpassad utveckling. Till exempel erbjuder Google Cloud Platform (GCP) integration med TensorFlow, en ram för öppen källkodsinlärning som är populär för djupa inlärningsmodeller som återkommande neurala nätverk. TensorFlow kan användas för att återskapa Deepar-liknande prognosmodeller, utnyttja GCP: s AI- och maskininlärningstjänster som AI-plattform, BigQuery ML eller anpassade rörledningar orkestrerade via dataflow eller Vertex AI.
Microsoft Azure tillhandahåller också en bred svit av AI- och maskininlärningstjänster som stöder återkommande neurala nätverk och tidsserieprognoser. Azure Machine Learning gör det möjligt för användare att utveckla anpassade modeller med ramverk som TensorFlow eller Pytorch, vilket möjliggör konstruktion av Deepar-ekvivalenta modeller. Azures AI -ekosystem kan integreras med dess datalagring och bearbetningstjänster som Azure Synapse Analytics och Azure Databricks för omfattande tidsserie datahantering, förberedelser och prognoser. Azures skalbarhet och hybridmolnstöd underlättar utplacering av sådana modeller i olika företagsmiljöer.
Deepar i sig är en forsknings- och implementeringsmetod som publiceras och operativiseras av Amazon men inte en egen teknik som är begränsad strikt till AWS. Modellarkitektur- och träningsprinciperna är tillräckligt öppna för replikering på andra molnplattformar med rätt expertis och resurser. Googles maskininlärningsinfrastruktur, inklusive TensorFlow och TPU -resurser, kan driva liknande djupa autoregressiva modeller för tidsserieprognoser, medan Microsoft Azure erbjuder grundtjänsterna att bygga, träna och distribuera sådana modeller inom dess ekosystem. Även om det inte finns någon out-of-the-box djupartjänst utanför AWS Sagemaker, erbjuder både Google Cloud och Microsoft Azure de nödvändiga komponenterna för att implementera Deepar-liknande arbetsflöden anpassade efter specifika prognosbehov.
Vidare inkluderar forskning kring Deepar hybridutförande ramar som utnyttjar kant-, enhets- och molnberäkningslager. Dessa ramar överväger att dela upp neurala nätverksekeater över enheter och molnresurser för att optimera prestanda, vilket möjliggör integration i multi-moln- eller hybridmolnmiljöer. Sådana tillvägagångssätt passar bra med de skalbara, distribuerade funktioner för både Google Cloud och Microsoft Azure, särskilt för kant-till-molnapplikationer i industriella IoT- eller mobilscenarier.
Sammanfattningsvis är Deepar som en varumärkes- eller förpackad tjänst för närvarande tillgänglig direkt på AWS Sagemaker AI. Fortfarande kan dess underliggande djupa autoregressiva prognosmetodik implementeras med Google Cloud eller Microsoft Azures maskininlärningstjänster genom att bygga anpassade modeller, utnyttja tensorflödet eller andra djupa inlärningsramar och använda dessa molnleverantörernas data och AI -infrastruktur. Detta tillvägagångssätt kräver ML -teknisk expertis men erbjuder full flexibilitet och integrationsmöjligheter i dessa molnmiljöer, vilket stöder sofistikerade tidsserieprognoslösningar som liknar Deepar.
Referenser som används:- Amazon Sagemaker Deepar -dokumentation och algoritmdetaljer
- Google's Cloud AI och maskininlärningstjänstfunktioner och integrationsmönster
- Jämförelse och information om molnplattform AI -tjänster inklusive Azure
- Forskningslitteratur som beskriver Deepar Methodology och Hybrid Cloud Execution Frameworks