En effet, c’est possible. Dans Google Cloud Machine Learning, il existe une fonctionnalité appelée Cloud Machine Learning Engine (CMLE). CMLE fournit une plateforme puissante et évolutive pour la formation et le déploiement de modèles d'apprentissage automatique dans le cloud. Il permet aux utilisateurs de lire les données du stockage Cloud et d'utiliser un modèle entraîné pour l'inférence.
Lorsqu'il s'agit de lire des données à partir du stockage Cloud, CMLE offre une intégration transparente avec diverses options de stockage, notamment Google Cloud Storage. Les utilisateurs peuvent stocker leurs données d'entraînement, ainsi que tout autre fichier pertinent, dans des compartiments de stockage Cloud. CMLE peut ensuite accéder à ces compartiments et lire les données pendant le processus de formation. Cela permet une gestion efficace et pratique des données, ainsi que la possibilité d'exploiter de grands ensembles de données pouvant dépasser la capacité de stockage locale.
En termes d'utilisation d'un modèle entraîné, CMLE permet aux utilisateurs de spécifier un modèle entraîné stocké dans le stockage Cloud pour les tâches de prédiction. Une fois qu'un modèle a été formé et enregistré sur le stockage Cloud, il peut être facilement accessible et utilisé par CMLE pour faire des prédictions sur de nouvelles données. Ceci est particulièrement utile lorsqu'il est nécessaire de déployer un modèle entraîné et d'effectuer des prédictions en temps réel dans un environnement de production.
Pour illustrer ce concept, considérons un scénario dans lequel un modèle d'apprentissage automatique a été entraîné pour classer des images. Le modèle entraîné est stocké dans un bucket de stockage Cloud. Avec CMLE, les utilisateurs peuvent spécifier l'emplacement du modèle formé dans le stockage Cloud et le déployer en tant que point de terminaison. Ce point de terminaison peut ensuite être utilisé pour envoyer de nouvelles images pour classification. CMLE lira le modèle formé à partir du stockage Cloud, effectuera les calculs nécessaires et fournira des prédictions basées sur les images d'entrée.
CMLE a en effet la capacité de lire les données du stockage Cloud et de spécifier un modèle entraîné pour l'inférence. Cette fonctionnalité permet une gestion efficace des données et le déploiement de modèles formés dans des applications réelles.
D'autres questions et réponses récentes concernant Progresser dans l'apprentissage automatique:
- Quelles sont les limites du travail avec de grands ensembles de données en apprentissage automatique ?
- L’apprentissage automatique peut-il apporter une assistance dialogique ?
- Qu'est-ce que le terrain de jeu TensorFlow ?
- Le mode impatient empêche-t-il la fonctionnalité de calcul distribué de TensorFlow ?
- Les solutions cloud de Google peuvent-elles être utilisées pour dissocier l'informatique du stockage pour une formation plus efficace du modèle ML avec le Big Data ?
- Le moteur d'apprentissage automatique Google Cloud (CMLE) propose-t-il une acquisition et une configuration automatiques des ressources et gère-t-il l'arrêt des ressources une fois la formation du modèle terminée ?
- Est-il possible d’entraîner des modèles d’apprentissage automatique sur des ensembles de données arbitrairement volumineux sans problème ?
- Lors de l'utilisation de CMLE, la création d'une version nécessite-t-elle de spécifier la source d'un modèle exporté ?
- Tensorflow peut-il être utilisé pour la formation et l'inférence de réseaux de neurones profonds (DNN) ?
- Qu'est-ce que l'algorithme de Gradient Boosting ?
Voir plus de questions et réponses dans Faire progresser l'apprentissage automatique