- анализ и обработка данных
- Обучение ML моделей
- Оценка и сравнение полученных результатов
Облачная платформа для обучения нейронных моделей в интерактивном режиме без использования программирования.
Задача
К нам обратился заказчик с просьбой разработать облачную платформу для обучения нейронных сетей. Сервис предназначен для рабочих коллективов, занимающихся обучением современных нейронных сетей, в том числе, работающих на квантовых компьютерах.
Нам были поставлены задачи:
- разработать полноценную, высокопроизводительную платформу, способную обслуживать большое количество пользователей;
- спроектировать масштабируемую архитектуру под дальнейший рост нагрузки;
- заложить в основу архитектуры возможность для развития функционала в дальнейшем.
Мы сделали
- Спроектировали и создали облачный сервис;
- Спроектировали полностью интерактивный режим обучения без использования программирования;
Добавили возможность управления степенью и параметрами оптимизации;
- Добавили возможность управления временем обучения;
- Добавили возможность автоматического обучения множества моделей одновременно;
- Добавили полностью асинхронный режим обучения по принципу «поставил задачу и забыл».
Начало работы
После регистрации на платформе пользователь попадает в рабочую среду своей команды, в рамках которой он может видеть общие проекты, создавать новые и изучать имеющиеся. В каждом проекте путем глубинного обучения решается конкретная задача обучения ИИ, например предсказание погоды, цен на бирже и т.д.
Эксперименты
Работа в проектах состоит из так называемых экспериментов. Каждый эксперимент полностью независим от остальных и состоит из трех этапов: загрузка данных, настройка параметров и анализ результатов.
Загрузка данных
На этом шаге Data Science инженер грузит данные в облако, на основании которых в дальнейшем будет происходить обучение в рамках эксперимента.
Настройка параметров
Здесь настраивается тип модели нейронной сети, ее архитектура и количество нейронных слоев. Кроме этого, можно задать параметры оптимизации и время обучения. Здесь же указывается количество лучших моделей, которое необходимо получить на выходе эксперимента.
Анализ результатов
Все обученные в результате эксперимента модели хранятся в облаке и доступны для просмотра членам команды. Для оценки качества обучения есть возможность сравнивать значения, которые предсказывает модель с реальными данными.
Остались вопросы?
Оставьте заявку и мы свяжемся с вами.
