Kan du drive et maskinlæringsprosjekt hjemme?

Med all snakk om maskinlæring de siste årene, er det vanskelig å ignorere ønsket om å prøve det selv. Teknologien ser ut til å utvikle seg i et veldig raskt tempo, og den har allerede funnet applikasjoner i mange miljøer. Hvis du har noen programmeringsferdigheter og en grunnleggende forståelse av noen konsepter om statistikk, er du god å gå når det gjelder ferdighetskrav.

Du må imidlertid også vurdere maskinvaren du trenger for dette. Du kan enten være vert for alt hjemme eller bruke eksterne tjenester - begge har sine fordeler og ulemper.

Grunnleggende krav til maskinlæringsutvikling

Du trenger relativt kraftig maskinvare for å få ting til å gå. Selv om du kan kjøre de fleste relaterte verktøy på en billig bærbar datamaskin, vil du være sterkt begrenset i læringspotensialet ditt, og alt vil ta mye lenger tid enn det trenger.

GPUen din (grafikkbehandlingsenhet) er den viktigste komponenten her. Det har ikke noe med grafikk å gjøre direkte. Det er bare at GPUer tilfeldigvis er bedre egnet for de typer beregninger som maskinlæring er avhengig av.

En GPU som støtter CUDA vil være enda bedre her, selv om det vil koste deg mer å få tak i en. Ikke bekymre deg hvis du ikke har råd til denne typen maskinvare for øyeblikket. Du kan også kjøre løsningene dine eksternt, men du må takle opp- og nedturer i dette oppsettet.

Les mer: Hva er CUDA-kjerner?

Hvorfor kostnadene dine kan være høyere i 2021

Det er også verdt å merke seg at shopping for ny maskinvare for maskinlæring kan være enda mer utfordrende akkurat nå. Det er en vanskelig global situasjon som utvikler seg rundt en mangel på halvledere som brukes i produksjonen av forskjellige forbrukerelektronikker. Fra GPUer til smarttelefoner og andre enheter har mange markeder blitt påvirket.

Noen spådommer hevder at denne mangelen kan vare i flere år til, siden den var resultatet av at flere faktorer uavhengig av hverandre. Mellom pandemien svekker produksjonsevnen og øker etterspørselen, og gruvearbeidere og skalperere å kjøpe ut hele aksjen, har situasjonen vært utfordrende for de som bare vil skaffe seg en ny GPU.

I slekt: Hvorfor er grafikkort så dyre akkurat nå?

Det er ikke klart når prisene kommer til å normalisere seg heller - prisene kan fortsette å stige. Å lete etter en brukt GPU kan være et bedre alternativ, selv om du ikke kan garantere at du kommer til å finne noe passende.

Fordeler og ulemper ved vertsplattformer

En vert plattform for maskinlæringsutvikling vil tillate deg å fokusere på selve utviklingsarbeidet uten å bekymre deg for maskinvarehensyn. Du vil dra nytte av avansert prosessorkraft, og disse plattformene kan vanligvis kjøre løsningene dine mye raskere enn noe du kan bygge hjemme.

Selvfølgelig kommer ikke denne typen kraft gratis. Du må betale et abonnementsgebyr for å bruke de fleste av disse tjenestene. De som tilbys gratis har sine egne begrensninger.

For eksempel kan det hende at du ikke kan kjøre programmet ditt på forespørsel, og kanskje må du vente i kø. Dette kan være spesielt problematisk for lengre treningsøkter, hvor du må legge til noen ekstra timer på toppen av en allerede lang ventetid.

Og så føler noen seg mer komfortable i arbeidet sitt når de har alt tilgjengelig lokalt. Det kan absolutt være mer praktisk å jobbe med maskinlæring på denne måten når noen modeller kan være på flere gigabyte, og det kan ta litt tid å overføre dem til og fra de aktuelle serverne.

Det beste fra begge verdenene

Du kan bruke en blandet tilnærming. Gjør det meste av utviklingen din lokalt - som faktisk arbeid med algoritmene og modellene dine - og bruk en vertstjeneste for større, dyre prosesser.

Du kan vanligvis sende dataene dine i grupper for å få dem behandlet på en gang over en periode, og du må bare komme tilbake for å hente resultatene dine etterpå. Dette kan fungere bra når du ikke trenger umiddelbare resultater, og det kan tillate deg å utføre dyr trening til relativt lave kostnader.

Dette er tilnærmingen folk flest går for i disse dager. Hvis du ikke vil bruke for mye på maskinvare, men har det bra med ideen om å bruke litt penger på dette i utgangspunktet, er dette sannsynligvis det du bør se på.

Det finnes forskjellige tilbud på markedet, noen rettet mot folk med mindre budsjetter, så ta en titt rundt og se hva som er tilgjengelig der ute. Noen ganger kan du komme unna med å ha prosjektene dine for overraskende lite, så lenge de ikke har noen komplekse krav.

Vær forsiktig med sensitive data

Husk at maskinlæring ofte kan innebære å jobbe med sensitive data. For eksempel kan du få i oppgave å behandle medisinske journaler eller annen personlig informasjon. Det må være en selvfølge at du må være mye mer forsiktig i disse situasjonene hvis du jobber med eksterne verterte tjenester.

Du må være klar over implikasjonene av å overføre dataene til eksterne servere. Noen ganger kan du komme til å bryte visse rettslige rammer uten å innse det. I EU må du for eksempel være veldig forsiktig med GDPR.

Det er en god ide å konsultere en juridisk spesialist hvis maskininnlæringsøvelsene dine vil innebære noen form for sensitive data. Enda bedre, du bør sannsynligvis ikke bruke denne typen data til de første treningsprosjektene dine i utgangspunktet. Bare bruk noe som er tryggere og lettere å håndtere.

Maskinlæring på egen hånd

Maskinlæring hjemme er mulig, og det har mange fordeler. Men det har også noen negative implikasjoner som du må vurdere, og du må sørge for å finne en balansert tilnærming til slutt. Vær spesielt oppmerksom på detaljer som å jobbe med sensitive data, og gjør deg alltid kjent med eventuelle juridiske krav situasjonen din kan stille deg.

Til slutt kan dette være en veldig morsom og produktiv opplevelse som kan sette deg i en flott posisjon på jobbmarkedet.

Hva gjør Python og hva kan det brukes til?

Python er ekstremt allsidig, med applikasjoner som spenner fra webutvikling til dataanalyse.

Les Neste

Om forfatteren