Catégories
Start-up et applications

Apprentissage automatique – Se rendre au déploiement

Les avantages de l'apprentissage automatique (ML) sont de plus en plus évidents dans pratiquement tous les domaines de la recherche et des affaires. Il existe un éventail croissant d'outils qui deviennent disponibles pour aider les gens à avancer dans la bonne direction – bien que les blocages puissent et existent, ce guide s'efforce de permettre aux praticiens de trouver leur pied sur AWS en utilisant spécifiquement l'outil PyTorch.

De la collecte, du nettoyage et de l'analyse des données – la quantité de travail requise pour préparer les données pour un modèle ML est très étendue. Y arriver n'est pas une tâche facile, et une fois que vous l'avez prêt, passer des données aux modèles déployés peut sembler sorcier. Pour de nombreux scientifiques des données, cela peut avoir envie de planifier en profondeur un grand voyage, de mettre chaque détail en ordre et de le préparer, puis de se présenter à l'aéroport et d'être escorté au cockpit pour piloter l'avion. Par où commencez-vous même?

Alors que de nombreux modèles de ML sont exécutés sur des machines sur site, tout le monde n'a pas accès à des postes de travail capables de traiter de grandes quantités de données dans des délais acceptables. De nombreux chercheurs se tournent vers AWS avec Instances compatibles GPU NVIDIA pour exécuter leurs charges de travail. Mais la connexion à ces systèmes peut être déroutante pour les personnes qui découvrent AWS et ne savent pas par où commencer.

Le déploiement peut être extrêmement difficile, mais comme toute compétence, avoir un bon guide peut vous aider à vous montrer le bon chemin et vous donner l'expérience du monde réel afin que vous puissiez maximiser votre efficacité. Chez Six Nines, nous avons développé un guide pour aider les praticiens qui commencent tout juste à comprendre les processus de prise de décision nécessaires pour faire passer leurs modèles de données du concept à un déploiement de formation ML opérationnel, puis à faire évoluer ces déploiements en clusters. Le guide, intitulé "Premiers pas avec un modèle d'entraînement ML à l'aide d'AWS et de PyTorch», Aide les praticiens à décider quelles instances AWS sont adaptées au modèle ML qu'ils essaient de former et quelles mesures prendre pour commencer. Les débutants tout juste, jusqu'aux praticiens expérimentés qui recherchent un raccourci pour intégrer leurs modèles dans le bon environnement cloud peuvent bénéficier de ce didacticiel.

Le guide examine trois des principaux types d'instances d'apprentissage automatique utilisant des GPU NVIDIA disponibles via AWS, du déploiement de GPU unique aux déploiements multi-GPU. Ceux-ci comprennent les éléments suivants:

  • Instances Amazon EC2 G4 – Les instances G4 sont l'instance la plus rentable pour la formation et l'inférence à petite échelle. Idéal pour les premières preuves de concept et les situations où la sensibilité au temps n'est pas un facteur limitant.
  • Instances Amazon EC2 P3 – Accélérez votre apprentissage automatique grâce au calcul haute performance dans le cloud à l'aide des instances P3. Utilisez ces instances pour accélérer votre entraînement et votre temps d'itération afin de pouvoir en faire plus avec vos modèles ML.
  • Instances Amazon EC2 P3dn – Explorez des algorithmes d'apprentissage automatique plus grands et plus complexes avec deux fois la puissance des instances P3. Choisissez cette instance lorsque vous êtes prêt pour une rotation rapide de votre formation de modèle ou lorsque vous avez des besoins pour une formation de ML distribuée.

Une fois que vous avez sélectionné l'instance qui correspond à votre objectif, le guide propose des présentations pas à pas de modèles d'entraînement spécifiques pour vous aider à vous orienter sur les étapes à suivre pour travailler avec les types d'applications de ML les plus populaires.

Ceux-ci inclus:

  • Entraînement d'un modèle ImageNet ResNet-50 à l'aide de PyTorch sur une seule instance AWS G4 ou P3
  • Entraînement d'un modèle ImageNet ResNet-50 à l'aide de PyTorch sur plusieurs instances AWS G4 ou P3
  • Entraînement d'un modèle de réglage fin BERT à l'aide de PyTorchon sur une seule instance AWS P3
  • Entraînement d'un modèle de réglage fin BERT à l'aide de PyTorch sur plusieurs instances AWS P3
  • Formation à la détection d'objets à l'aide de mask-R-cnn sur des instances AWS P3dn

L'apprentissage automatique est en train de devenir un outil essentiel pour les organisations de tous types, mais l'une des choses les plus difficiles est de savoir par où commencer. Il y a beaucoup de considérations et de facteurs à gérer lors du déploiement d'un modèle d'apprentissage automatique – ou d'un parc de modèles d'apprentissage automatique. Six Nines est heureux d'aider en fournissant des ressources, et même de la main-d'œuvre pour y parvenir.

Pour télécharger le "Premiers pas avec un modèle d'entraînement ML à l'aide d'AWS et de PyTorch», Veuillez cliquer sur le lien. N'hésitez pas à utiliser la page comme une ressource pour vos commentaires et discussions avec notre communauté sur votre processus et tout ce qui peut être fait pour vous aider.

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *