Tempatan atau Awan: Beban Kerja Perlu Membuktikannya

Pembelajaran mesin selalunya kucar-kacir.

Anda menjalankan tugasan pada mesin anda dan ia gagal. Anda menyemak kod. Anda menyemak data. Anda menghabiskan masa berjam-jam menyahpepijat ralat mudah dalam prapemprosesan anda.

Ini adalah bahagian kerja yang tidak glamor. Ia adalah peringkat di mana anda tidak tahu sama ada idea anda benar-benar berfungsi.

Ramai orang berdebat tentang perkakasan tempatan berbanding pengkomputeran awan. Mereka melihat hamparan kerja dan membandingkan kos. Mereka membandingkan harga stesen kerja dengan kadar sejam GPU di awan.

Ini adalah cara pandang yang salah.

Debat yang sebenar adalah tentang ketidakpastian.

Kerja ML pada peringkat awal penuh dengan ketidakpastian. Anda berhadapan dengan:

  • Kebergantungan yang rosak
  • Bentuk tensor yang salah
  • Keperluan pembentukan semula data
  • Ralat persekitaran

Jika anda menggunakan awan semasa fasa ini, anda membayar untuk kekeliruan anda. Setiap kesilapan menelan kos. Setiap jam yang anda habiskan untuk menyahpepijat mesej ralat adalah jam yang anda perlu bayar. Awan memberikan kekeliruan anda enjin yang lebih pantas.

Perkakasan tempatan mempunyai tujuan yang berbeza. Ia adalah tempat di mana ketidakpastian adalah murah. Stesen kerja membolehkan anda menguji model kecil dan mengesahkan andaian tanpa meter yang terus berjalan. Ia membolehkan anda gagal secara peribadi dan secara percuma.

Awan menjadi berguna apabila beban kerja semakin matang.

Gunakan awan apabila:

  • Kontena anda stabil
  • Set data anda sudah sedia
  • Profil memori anda boleh diramal
  • Anda memerlukan skala yang besar

Pengkomputeran awan adalah untuk pelaksanaan. Pengkomputeran tempatan adalah untuk penemuan.

Profesionalisme bukan tentang menggunakan mesin yang paling besar. Ia adalah tentang mengetahui bila kerja anda sudah bersedia untuk ditinggalkan dari meja anda.

Jika anda masih dalam proses meneroka apakah tugasan tersebut, kekal di tempatan. Sebaik sahaja anda mengetahui tugasan tersebut dan perlu menyiapkannya dengan lebih cepat, beralihlah ke awan.

Jangan gunakan awan untuk membungkus eksperimen yang samar-samar dalam infrastruktur yang mahal. Tunggu sehingga kerja tersebut layak mendapat tempatnya.

Sumber: https://dev.to/lareleem/local-or-not-the-workload-has-to-earn-the-cloud-2boe

Komuniti pembelajaran pilihan: https://t.me/GyaanSetuAi