16. Materijali o Strojnom učenju
•Strojno učenje, Duboko učenje, Raspoznavanje
uzoraka, Neuronske mreže, Računalni vid…
(FER, 4. godina)
•Deep Learning Specialization by Andrew Ng
(Coursera)
•CS231n (Stanford, Andrej Karpathy)
24. Cloud deployment
Pros Cons
Jedan deployment za sve kanale
(iOS, Android, web)
Lošiji UX - potreban je i upload
podataka
Omogućuje jednostavno
prikupljanje podataka za dataset
App ne radi offline
Omogućuje korištenje većih
(dubljih) modela
Korisnici mogu biti zabrinuti za
privatnost podataka
Cijena - cloud infrastruktura
košta!
25. On-device deployment
Pros Cons
Idealan UX - za većinu primjena
modeli su dovoljno mali i brzi
Potencijalno značajno veći
development effort
App radi i offline
Prikupljanje podataka nije out of
the box, potrebno razviti
Čuva se privatnost korisničkih
podataka
Zahtijeva izradu manjih (plićih)
modela
Cijena - processing se prebacuje
na uređaj korisnika
26. Kako deployati model -
trendovi
•On device processing dobiva zamah!
•SoC proizvođači rade custom hardware za
izvođenje neuronskih mreža
•Veliki igrači u ML-u rade prilagođene inference
sustave (Tensorflow Lite, Caffe2Go, CoreML..)
27. On-device deployment - opcije
CoreML
iOS specific, ali podržan na 95+%
iOS uređaja!
TensorFlow Lite
Rješenje za sve platforme, no još u
development fazi
Caffe2Go Lošije performanse
Android NNAPI Radi samo na Android 8.1+
Custom rješenje Skupo za razvoj!
34. Uključeni timovi
• Product Management team - promišlja o cijelom proizvodu i
procesu
• Mobile team - iterativno poboljšava proizvod
• Web team - brine o sustavima za pripremu podatka
• Data team - brine da su podaci ispravno pripremljeni
• Research team - radi eksperimente i istražuje mogućnosti
korištenja strojnog učenja
• Applied ML team - koristi podatke i dolazi do produkcijskih
modela