Что ж, кто-то правильно сказал, что модели машинного обучения в локальной сети — это просто пожиратели памяти. После нескольких месяцев обучения, предварительной обработки и прочего, а эта модель все еще остается на локальной машине, это несправедливо. В нынешнюю эпоху в платформах развертывания машинного обучения происходит много усовершенствований, и одна из таких платформ, с которой я недавно столкнулся, называется DAISI. Для таких разработчиков, как мы, это главная цель — воплотить свои модели в жизнь и представить их миру, чтобы каждый мог извлечь из этого пользу.
Введение
Недавно я разработал модель обнаружения злоупотреблений на индийских языках, чтобы ловить правонарушителей на таких платформах, как Twitter, Facebook и других приложениях для социальных сетей. С ростом индийских интернет-пользователей в различных приложениях для социальных сетей подобные модели машинного обучения могут найти широкое применение.
В ванильных терминах моя модель принимает входные данные в виде текста и языка и возвращает вероятность того, является ли этот текст оскорбительным или нет.
Платформа Daisi
Развертывание модели на daisi
- Вставьте свой код в функции Python, и эти функции будут действовать как конечная точка. Вы также можете создать потоковое приложение для пользовательского интерфейса, которое будет отображаться на приборной панели daisi. Убедитесь, что вы упомянули все необходимые пакеты для запуска приложения в requirements.txt. Отправьте свой код на GitHub
2. Нажмите «Создать новый Daisi» в правом нижнем углу пользовательского интерфейса платформы Daisi.
3. Введите путь к репозиторию GitHub, выберите ветку, папку и основной скрипт Python. Нажмите «Создать».
Уаха!!! Daisi очень просто развернуть. Это будет выглядеть -
вывод
Ромашки можно вызывать откуда угодно. В Python пакет pydaisi помогает вызовам Daisies так же просто, как если бы они были локальными функциями, передавая произвольные объекты Python в качестве аргумента и получая то, что возвращает функция.
Теперь, когда экземпляр daisi создан, вы можете вызывать все конечные точки, которые были созданы в функции main.py .
Использование интерфейса с потоковой подсветкой для логических выводов
Daisi дает вам возможность визуализировать ваш пользовательский интерфейс с потоковой подсветкой. Это может помочь другим лучше понять, чего хотят достичь ваши модели.
Пожалуйста, не забудьте оставить отзыв о приложении, которое я создал на daisi.
Важные ссылки
Платформа Daisi - https://app.daisi.io/collections/all
Примеры Daisi- https://medium.com/daisi/daisi-python-cloud-functions-for-scientists-and-engineers-fa55e25a1f57
