Deepar, một thuật toán học tập có giám sát để dự báo chuỗi thời gian vô hướng bằng cách sử dụng các mạng thần kinh tái phát, chủ yếu được Amazon cung cấp thông qua nền tảng Sagemaker AI. Thuật toán này vượt trội khi được áp dụng cho các bộ dữ liệu bao gồm nhiều chuỗi thời gian liên quan, tận dụng một mô hình duy nhất được đào tạo trên các chuỗi này để vượt trội hơn các phương pháp truyền thống như arima hoặc làm mịn theo cấp số nhân. Nó có thể được sử dụng để tạo dự báo cho chuỗi thời gian mới có chung điểm tương đồng với dữ liệu đào tạo và nó hỗ trợ các tính năng phân loại tĩnh tùy chọn và các tính năng phụ thuộc vào thời gian động để mô hình hóa nhiều sắc thái hơn. Sagemaker AI cho phép đào tạo các mô hình Deepar trên cả hai trường hợp CPU và GPU, mặc dù suy luận chỉ hỗ trợ các trường hợp CPU. Các mô hình có thể được mở rộng trên các trường hợp hoặc cụm lớn hơn để xử lý các bộ dữ liệu phức tạp hoặc lớn một cách hiệu quả.
Về việc sử dụng Deepar với các dịch vụ đám mây ngoài AWS, chẳng hạn như Google Cloud hoặc Microsoft Azure, không có dịch vụ trực tiếp nào được coi là Deepar trên các nền tảng này giống với dịch vụ của AWS Sagemaker AI. Tuy nhiên, hệ sinh thái đám mây của Google bao gồm các công cụ học tập và xử lý dữ liệu rộng rãi có khả năng thực hiện các mô hình tương tự như Deepar thông qua các phát triển tùy chỉnh. Chẳng hạn, Google Cloud Platform (GCP) cung cấp tích hợp với TensorFlow, khung học máy nguồn mở phổ biến cho các mô hình học tập sâu như mạng thần kinh tái phát. Tensorflow có thể được sử dụng để tạo lại các mô hình dự báo giống như Deepar, tận dụng các dịch vụ AI và máy học AI của GCP như nền tảng AI, BigQuery ML hoặc các đường ống tùy chỉnh được phối hợp thông qua DataFlow hoặc Vertex AI.
Microsoft Azure cũng cung cấp một bộ rộng các dịch vụ AI và máy học hỗ trợ mạng thần kinh tái phát và dự báo chuỗi thời gian. Azure Machine Learning cho phép người dùng phát triển các mô hình tùy chỉnh bằng cách sử dụng các khung như Tensorflow hoặc Pytorch, cho phép xây dựng các mô hình tương đương Deepar. Hệ sinh thái AI của Azure có thể tích hợp với các dịch vụ lưu trữ và xử lý dữ liệu như Azure Synapse Analytics và Azure Databricks để quản lý, chuẩn bị và dự báo dữ liệu chuỗi thời gian toàn diện. Khả năng mở rộng của Azure và hỗ trợ đám mây lai tạo điều kiện triển khai các mô hình như vậy trong các môi trường doanh nghiệp khác nhau.
Deepar vốn là một phương pháp nghiên cứu và thực hiện được xuất bản và vận hành bởi Amazon nhưng không phải là một công nghệ độc quyền giới hạn nghiêm ngặt đối với AWS. Kiến trúc mô hình và các nguyên tắc đào tạo đủ mở để nhân rộng trên các nền tảng đám mây khác với chuyên môn và tài nguyên phù hợp. Cơ sở hạ tầng học máy của Google, bao gồm tài nguyên TensorFlow và TPU, có thể cung cấp năng lượng cho các mô hình tự động sâu tương tự để dự báo chuỗi thời gian, trong khi Microsoft Azure cung cấp các dịch vụ nền tảng để xây dựng, đào tạo và triển khai các mô hình như vậy trong hệ sinh thái của nó. Do đó, mặc dù không có dịch vụ Deepar vượt trội bên ngoài AWS Sagemaker, cả Google Cloud và Microsoft Azure đều cung cấp các thành phần cần thiết để thực hiện các quy trình công việc giống như Deepar phù hợp với nhu cầu dự báo cụ thể.
Hơn nữa, nghiên cứu xung quanh Deepar bao gồm các khung thực hiện lai tận dụng các lớp tính toán cạnh, thiết bị và đám mây. Các khung này xem xét phân vùng thực thi mạng thần kinh trên các thiết bị và tài nguyên đám mây để tối ưu hóa hiệu suất, cho phép tích hợp trong môi trường đám mây đa đám mây hoặc lai. Các cách tiếp cận như vậy rất phù hợp với khả năng phân tán, có thể mở rộng của cả Google Cloud và Microsoft Azure, đặc biệt là cho các ứng dụng cạnh-trên đám mây trong các kịch bản IoT hoặc di động công nghiệp.
Tóm lại, Deepar là một dịch vụ được đăng ký nhãn hiệu hoặc đóng gói hiện có sẵn trực tiếp trên AWS Sagemaker AI. Tuy nhiên, phương pháp dự báo tự động sâu cơ bản của nó có thể được thực hiện bằng cách sử dụng các dịch vụ học máy của Google Cloud hoặc Microsoft Azure bằng cách xây dựng các mô hình tùy chỉnh, tận dụng Tenorflow hoặc các khung học sâu khác và sử dụng dữ liệu của các nhà cung cấp đám mây này và cơ sở hạ tầng AI. Cách tiếp cận này đòi hỏi chuyên môn kỹ thuật ML nhưng cung cấp khả năng tích hợp và linh hoạt đầy đủ trên các môi trường đám mây đó, hỗ trợ các giải pháp dự báo chuỗi thời gian tinh vi gần giống với Deepar.
Tài liệu tham khảo được sử dụng:- Chi tiết tài liệu và thuật toán của Amazon Sagemaker Deepar
- Khả năng tích hợp và các mẫu dịch vụ học máy và máy học của Google Cloud AI và máy
- So sánh và thông tin về các dịch vụ AI nền tảng đám mây bao gồm Azure
- Tài liệu nghiên cứu mô tả phương pháp Deepar và khung thực hiện đám mây lai