马浩壤 要创建有效的深度学习模型，需要大量的数据对模型进行有效的训练。然后安装模型，对模型进行监视以防止出现漂移，并根据需要对其进行重新训练，如此反复直到达到标。 模型的训练需要使用非常多的计算资源，如果已经投资了大规模的计算资源，可以在本地完成所有这些工作。但是，你会发现这些计算资源在许多时间处于非使用状态，如果在云平台中进行上述活动，则可能更具成本效益。 大多数云提供商投入大量精力来构建机器学习平台，以支持整个机器学习生命周期。那么，每个端到端机器学习平台应提供哪些功能呢？ 训练数据模型 准备好大量的训练数据之后，当然不希望迁移这些数据，因为这个过程通常需要花费非常多时间，意味着在这段时间内什么事也不能做。对于大型数据集，理想的情况是创建一个已经存在数据的模型，从而避免大量数据迁移。 支持ETL或ELT 导出，转换和加载（ETL）和导出，加载和转换（ELT）是数据库领域中的2种常见数据配置技术，机器学习和深度学习非常需要这些工具，尤其是变换部分。 支持在线模型训练 建立良好的机器学习和深度学习模型需要大规模数据，将这些数据全部下载到本地进行模型训练，是非常费时的过程。数据规模达到一定规模之后，会发现很难找到本地资源来存储这些数据，所以支持在线模型训练成为云平台必须要具有的功能。 支持scale-up and scale-out训练 利用云平台，帮助生成多个大型虚拟机或容器环境，加速在本地进行的训练活动，这将大大较少训练时间。 提供优化的AI服务 云平台为许多应用程序提供了强大且经过优化的AI服务或解决方案，包括语言翻译、语音到文本、文本到语音、预测和推荐。这些服务已经在企业可用的數据集中进行了培训和检查，这些也安装在具有足够计算资源的服务端点上，包括加速器，以确认在全球负载下的良好响应时间。 |