خطوط لوله یادگیری ماشین لاجورد
این مقاله به خطوط لوله یادگیری ماشینی Azure و چگونگی کمک به ساخت، بهینهسازی و مدیریت گردش کار یادگیری ماشین میپردازد. Azure Machine Learning توسعه دهندگان و دانشمندان داده را قادر می سازد تا طیف گسترده ای از فرآیندهای یادگیری ماشین را ادغام و کشف کنند و خطوط لوله یادگیری ماشین Azure بخشی از آن است.
Azure Machine Learning Pipelines به ساخت، آزمایش و استقرار مداوم در هر پلتفرم و محاسبات ابری کمک می کند. از لینوکس، macOS و ویندوز، از همه برای ساخت برنامههای وب، موبایل، و دسکتاپ و استقرار آنها در فضای ابری یا داخلی پشتیبانی میکند. خط لوله یادگیری ماشینی Azure به صرفه جویی در زمان ارزشمند برای دانشمندان داده، مهندسان و DevOps با ساخت و استقرار خودکار با اجرای بدون نظارت و مزایای فراوان دیگر کمک می کند. این برنامه از زبانهای Python، Java، PHP، Ruby، C/C++، iOS و برنامههای Android با Node.js پشتیبانی میکند تا بهطور موازی روی سیستمعاملهای متعدد اجرا شوند. سرویسهای کانتینریسازی و هماهنگسازی کانتینر مانند Kubernetes همگی با تحویل مداوم به سرویسهای ابری در خود Azure به AWS و GCP پشتیبانی میشوند. ساختارهای زنجیرهای و چند فازی همگی با YAML، گیتهای انتشار، پشتیبانی میشوند.
خطوط لوله مختلفی توسط Azure پشتیبانی می شود که هر کدام برای اهداف و سناریوهای مورد استفاده متفاوت هستند. فهرست زیر جدولی است که به طور خلاصه خطوط لوله مختلفی را که برای نقشهای مختلف در دسترس هستند و از سناریوهای موردی با جزئیات استفاده میکنند، توضیح میدهد.
سناریو | پرسونای اولیه | پیشنهاد لاجوردی | پیشنهاد OSS | لوله متعارف | نقاط قوت |
هماهنگ سازی داده ها (آماده سازی داده ها) | مهندس داده | خطوط لوله کارخانه داده Azure | جریان هوای آپاچی | داده -> داده | حرکت با تایپ قوی، فعالیت های داده محور |
|