Kan du køre et maskinlæringsprojekt derhjemme?

Med al snak om maskinindlæring i de senere år er det svært at ignorere ønsket om at prøve det selv. Teknologien ser ud til at udvikle sig i meget hurtigt tempo, og den findes allerede i mange miljøer. Hvis du har nogle programmeringsevner og en grundlæggende forståelse af nogle begreber om statistik, er du god til at gå med hensyn til færdighedskrav.

Du skal dog også overveje den hardware, du har brug for til dette. Du kan enten være vært for alt derhjemme eller bruge fjerntjenester - begge har deres fordele og ulemper.

Grundlæggende krav til maskinindlæring

Du får brug for noget relativt kraftig hardware for at få tingene i gang. Mens du kan køre de fleste relaterede værktøjer på en billig bærbar computer, er du meget begrænset i dit læringspotentiale, og alt vil tage meget længere tid, end det har brug for.

Din GPU (grafikbehandlingsenhed) er den vigtigste komponent her. Det har ikke noget med grafik at gøre direkte. Det er bare, at GPU'er tilfældigvis er bedre egnet til de typer beregninger, som maskinindlæring er afhængig af.

En GPU, der understøtter CUDA, vil være endnu bedre her, selvom det koster dig mere at få fat i en. Bare rolig, hvis du ikke har råd til denne type hardware i øjeblikket. Du kan også køre dine løsninger eksternt, selvom du bliver nødt til at håndtere op- og nedture ved denne opsætning.

Læs mere: Hvad er CUDA-kerner?

Hvorfor dine omkostninger kan være højere i 2021

Det er også værd at bemærke, at shopping efter ny hardware til maskinindlæring kan være endnu mere udfordrende lige nu. Der er en vanskelig global situation, der udvikler sig omkring en mangel på halvledere, der anvendes til fremstilling af forskellige forbrugerelektronik. Fra GPU'er til smartphones og andre enheder er mange markeder blevet påvirket.

Nogle forudsigelser hævder, at denne mangel kunne vare i flere år, da det var resultatet af flere faktorer, der uventet tilpasser sig. Mellem pandemien, der forringer produktionsmulighederne og øger efterspørgslen, og minearbejdere og scalpers når man køber hele aktien ud, har situationen været udfordrende for dem, der bare ønsker at få en ny GPU.

Relaterede: Hvorfor er grafikkort så dyre lige nu?

Det er heller ikke klart, hvornår priserne vil normalisere sig - priserne kan muligvis fortsætte med at stige. At lede efter en brugt GPU kan være en bedre mulighed, selvom du ikke kan garantere, at du finder noget passende.

Fordele og ulemper ved hostede platforme

En hostet platform til machine learning-udvikling giver dig mulighed for at fokusere på det faktiske udviklingsarbejde uden at bekymre dig om hardwareovervejelser. Du vil drage fordel af avanceret processorkraft, og disse platforme kan typisk køre dine løsninger meget hurtigere end noget, du kunne bygge derhjemme.

Naturligvis kommer denne slags magt ikke gratis. Du skal betale et abonnementsgebyr for at bruge de fleste af disse tjenester. Dem, der tilbydes gratis, har deres egne separate begrænsninger.

For eksempel kan du muligvis ikke køre dit program efter behov og muligvis vente i en kø. Dette kan være særligt problematisk ved længere træningspas, hvor du bliver nødt til at tilføje et par ekstra timer oven på en allerede lang ventetid.

Og så føler nogle mennesker sig mere komfortable i deres arbejde, når de har alt tilgængeligt lokalt. Det kan helt sikkert være mere praktisk at arbejde med maskinlæring på denne måde, når nogle modeller kan være flere gigabyte, og det kan tage lidt tid at overføre dem til og fra de relevante servere.

Det bedste fra begge verdener

Du kan bruge en blandet tilgang. Udfør det meste af din udvikling lokalt - som faktisk arbejde på dine algoritmer og modeller - og brug en hostet tjeneste til større, dyre behandlinger.

Du kan normalt indsende dine data i batches for at få dem behandlet på én gang over en periode, og du skal bare komme tilbage for at hente dine resultater bagefter. Dette kan fungere godt, når du ikke har brug for øjeblikkelige resultater, og det kan give dig mulighed for at udføre dyr træning til en relativt lav pris.

Dette er den tilgang, som de fleste mennesker går i disse dage. Hvis du ikke vil bruge for meget på hardware, men har det godt med ideen om at bruge nogle penge på dette i første omgang, er det sandsynligvis det, du skal se på.

Der er forskellige tilbud på markedet, hvoraf nogle er rettet mod folk med mindre budgetter, så kig dig omkring og se, hvad der er tilgængeligt derude. Nogle gange kan du slippe af med at have dine projekter overraskende lidt, så længe de ikke har nogen komplekse krav.

Vær forsigtig med følsomme data

Husk, at maskinindlæring ofte kan involvere arbejde med følsomme data. For eksempel kan du få til opgave at behandle lægejournaler eller andre personlige oplysninger. Det siger sig selv, at du skal være meget mere forsigtig i disse situationer, hvis du arbejder med fjernhostede tjenester.

Du skal være opmærksom på konsekvenserne af at overføre disse data til eksterne servere. Nogle gange kan du komme i krænkelse af visse juridiske rammer uden selv at indse det. I Den Europæiske Union skal du for eksempel være meget forsigtig med GDPR.

Det er en god ide at konsultere en juridisk specialist, hvis dine maskinindlæringsøvelser vil involvere nogen form for følsomme data. Endnu bedre, du skal sandsynligvis ikke bruge denne type data til dine første træningsprojekter i første omgang. Bare gå med noget, der er mere sikkert og lettere at håndtere.

Maskinindlæring alene

Maskinindlæring derhjemme er mulig, og det har mange fordele. Men det har også nogle negative konsekvenser, som du skal overveje, og du skal sørge for at finde en afbalanceret tilgang til sidst. Vær særlig opmærksom på detaljer som at arbejde med følsomme data, og gør dig altid fortrolig med de juridiske krav, som din situation måtte stille dig.

I sidste ende kan dette være en meget sjov og produktiv oplevelse, der kan sætte dig i en god position på jobmarkedet.

Hvad gør Python, og hvad kan det bruges til?

Python er ekstremt alsidig med applikationer lige fra webudvikling til dataanalyse.

Læs Næste

Om forfatteren