Google lança Containers: ambientes portáteis e consistentes para machine learning

O trabalho de um desenvolvedor de machine learning não começa com a escolha de um modelo ou o pré-processamento dos dados, mas antes disso, com a definição do ambiente de trabalho. A maioria das bibliotecas utilizadas em machine learning estão em constante atualização, o que inclui o próprio Python. Com isso, de uma versão para outra, alguns módulos, comandos ou até mesmo a forma de representar dados podem mudar. Levando em consideração que um desenvolvedor usa várias bibliotecas, algumas delas dependentes de resultados das outras, dá pra imaginar como pode se tornar complicado estruturar um ambiente de trabalho consistente, com compatibilidade interna. Se pensarmos na linha inteira de utilização da solução em machine learning – desenvolvimento, máquinas virtuais, data center local e nuvem pública -, a tarefa se torna ainda mais trabalhosa.

No final de junho, o Google apresentou, em caráter beta, uma solução para essa etapa do projeto: os Containers para Deep Learning. A proposta é que esses containers sejam pacotes pré-montados, otimizados para performance, e testados para compatibilidade, para que o desenvolvedor tenha a possibilidade de iniciar a fase de implementação do modelo imediatamente. Assim, é possível usar o mesmo container nas fases seguintes do projeto, garantindo a reprodutividade e a exatidão dos resultados alcançados na etapa de desenvolvimento. O Google fica responsável por manter esses containers atualizados e consistentes quando novas versões das bibliotecas forem disponibilizadas.

Os containers têm integração total com os demais serviços da Google Cloud Platform, tornando fácil o escalonamento do projeto na nuvem, mas ainda assim é possível optar pelo desenvolvimento local. É até possível usar o container em outras plataformas na nuvem, usando o Google Kubernetes Engine. Eles também fornecem versões do TensorFlow otimizadas para trabalhar com GPUs da NVIDIA ou CPUs da Intel. Desenvolvedores podem usar os containers como base para construir suas próprias imagens incluindo os modelos para treinamento e inferência.

No link de anúncio do serviço, está disponível um breve tutorial com os primeiros passos para utilização dos containers. Os containers para deep learning são grátis para baixar e usar localmente. Se há interesse em usá-los na nuvem, atualmente o Google oferece 300 dólares de crédito com duração de um ano para novos usuários.

2 Comments

  1. Alexandre said:

    Dennis li com atenção o que você escreveu. Demorou muito tempo para você ser engenheiro com essas qualificações? Achei interessante e embora não nos conhecemos, gostaria de perguntar se há algo disponível na internet como fazer cursos na área de computação ou ciência da computação..Sera que é pago? Valeu!

    4 de agosto de 2019
    Reply
    • Denny Ceccon said:

      Olá Alexandre! A área de Machine Learning é curiosa porque várias pessoas formadas em outras áreas tem migrado pra cá, eu sou um exemplo. Depois de uma graduação em Engenharia de Bioprocessos, eu fiz especializações em Machine Learning/Data Science e agora me sinto qualificado para atuar. O bom é que as empresas de tecnologia estão valorizando cada vez mais habilidade e cada vez menos diploma, então teoricamente você pode procurar sua formação em portais e fóruns de pessoas que já trabalham com isso. Entretanto, um curso sempre ajuda, especialmente para aprender o básico, quando a gente ainda está muito perdido pra ir atrás da informação por conta própria. O IA Expert oferece vários cursos com esse intuito, desde o básico até tópicos mais avançados, por um preço acessível, e volta e meia acontece alguma promoção. Visite a página https://iaexpert.com.br/index.php/cursos/ e fique ligado aqui no portal para os banners promocionais! Um abraço.

      5 de agosto de 2019
      Reply

Deixe uma resposta

O seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *