„Deepar“, prižiūrimas mokymosi algoritmas, skirtas prognozuoti skaliarinius laiko eilutes, naudojant pasikartojančius neuroninius tinklus, pirmiausia siūlo „Amazon“ per savo „Sagemaker AI“ platformą. Šis algoritmas išskiriamas, kai naudojamas duomenų rinkiniams, susidedantiems iš daugelio susijusių laiko eilučių, pasinaudojant vienu modeliu, apmokytu per šias serijas, kad pralenktų tradicinius metodus, tokius kaip arima ar eksponentinis išlyginimas. Jis gali būti naudojamas generuoti naujas laiko eilučių prognozes, turinčias panašumų su treniruočių duomenimis, ir palaiko pasirenkamas statines kategoriškas ypatybes ir dinamines nuo laiko priklausančias savybes, kad būtų galima labiau niuansuoti modeliavimą. „Sagemaker AI“ leidžia mokyti „Deepar“ modelius tiek CPU, tiek GPU egzemplioriuose, nors išvados palaiko tik CPU egzempliorius. Modeliai gali būti padidinti didesniais atvejais ar grupėmis, kad būtų galima efektyviai tvarkyti sudėtingus ar didelius duomenų rinkinius.
Kalbant apie „Deepar“ naudojimą su „Cloud Services Beyond AWS“, tokiomis kaip „Google Cloud“ ar „Microsoft Azure“, šiose platformose nėra tiesioginės paslaugos, pažymėtos kaip „Deepar“, panašios į „AWS Sagemaker AI“ pasiūlymą. Tačiau „Google“ debesų ekosistema apima išsamius mašinų mokymosi ir duomenų apdorojimo įrankius, kurie potencialiai galėtų įdiegti modelius, panašius į „Deepar“, atsižvelgiant į pasirinktinius pokyčius. Pavyzdžiui, „Google Cloud Platform“ (GCP) siūlo integraciją su „Tensorflow“-atvirojo kodo mašininio mokymosi sistema, populiarios giliojo mokymosi modeliams, tokiems kaip pasikartojantys nerviniai tinklai. „Tensorflow“ gali būti naudojamas atkurti „Deepar“ panašius prognozavimo modelius, panaudojant GCP AI ir mašininio mokymosi paslaugas, tokias kaip AI platforma, „BigQuery ML“ ar pasirinktiniai vamzdynai, organizuojami per „Dataflow“ arba „Vertex AI“.
„Microsoft Azure“ taip pat teikia platų AI ir mašininio mokymosi paslaugų rinkinį, palaikantį pasikartojančius neuroninius tinklus ir laiko eilučių prognozavimą. „Azure Machine Learning“ leidžia vartotojams kurti pasirinktinius modelius, naudojant tokias rėmus kaip „Tensorflow“ ar „Pytorch“, leidžiantis kurti „Deepar“ ekvivalentinius modelius. „Azure“ AI ekosistema gali integruoti su savo duomenų saugojimo ir apdorojimo paslaugomis, tokiomis kaip „Azure Synapse Analytics“ ir „Azure Databricks“, kad būtų galima išsamiam laiko eilutės duomenų valdymui, paruošimui ir prognozavimui. „Azure“ mastelio keitimas ir hibridinės debesies palaikymas palengvina tokių modelių diegimą įvairiose įmonės aplinkose.
„Deepar“ iš prigimties yra tyrimų ir įgyvendinimo metodas, kurį paskelbė ir naudoja „Amazon“, bet ne patentuota technologija, griežtai apribota AWS. Modelio architektūros ir mokymo principai yra pakankamai atviri kitose debesų platformose, turinčiose tinkamą kompetenciją ir išteklius. „Google“ mašininio mokymosi infrastruktūra, įskaitant „TensorFlow“ ir „TPU Resources“, gali įjungti panašius gilius autoregresyvius laiko eilučių prognozavimo modelius, o „Microsoft Azure“ siūlo pagrindines paslaugas, skirtas kurti, treniruotis ir diegti tokius modelius savo ekosistemoje. Taigi, nors nėra jokios „Deepar“ paslaugos už „AWS Sagemaker“, tiek „Google Cloud“, tiek „Microsoft Azure“ siūlo reikiamus komponentus, kad būtų galima įdiegti „Deepar“ panašias darbo eigas, pritaikytas konkrečioms prognozavimo poreikiams.
Be to, „Deepar“ tyrimai apima hibridinius vykdymo sistemas, pasinaudojančius kraštų, įrenginių ir debesų skaičiavimo sluoksniais. Šiose sistemose nagrinėjama neuroninio tinklo vykdymo padalijimas įvairiuose įrenginiuose ir debesų ištekliuose, siekiant optimizuoti našumą, leidžiančią integruoti daugialypės ar hibridinės debesies aplinkos. Tokie metodai gerai dera su keičiamomis, platinamomis „Google Cloud“ ir „Microsoft Azure“ galimybėmis, ypač naudojant programas nuo krašto iki kliūčių pramoniniuose IoT ar mobiliuosiuose scenarijuose.
Apibendrinant galima pasakyti, kad „Deepar“ kaip prekės ženklo ar supakuotą paslaugą šiuo metu galima rasti tiesiogiai „AWS Sagemaker AI“. Vis dėlto pagrindinę autoregresyvią prognozavimo metodiką galima įgyvendinti naudojant „Google Cloud“ arba „Microsoft Azure“ mašininio mokymosi paslaugas, kuriant pasirinktinius modelius, pasinaudojant „Tensorflow“ ar kitomis giluminio mokymosi sistemomis ir panaudojant šių debesų teikėjų duomenis ir AI infrastruktūrą. Šis požiūris reikalauja ML inžinerijos kompetencijos, tačiau siūlo visas lankstumo ir integracijos galimybes tose debesies aplinkose, palaikant sudėtingas laiko eilučių prognozavimo sprendimus, panašius į „Deepar“.
Naudotos nuorodos:- „Amazon Sagemaker Deepar“ dokumentacija ir algoritmo informacija
- „Google“ debesies AI ir mašininio mokymosi paslaugų galimybės ir integracijos modeliai
- Palyginimas ir informacija apie „Cloud Platform AI“ paslaugas, įskaitant „Azure“
- Tyrimo literatūra, apibūdinanti „Deepar“ metodiką ir hibridinius debesų vykdymo sistemas