Portabilität für Deep-Learning-Modelle mit ONNX
Seite 4: Fazit
Der Weg von den ersten explorativen Schritten bis zu einem produktiven Modell ist dank ONNX relativ einfach umzusetzen. Das Beispiel zeigt die flexible Werkzeugwahl anhand der verbreiteten ML-Frameworks PyTorch und TensorFlow. ONNX und GraphPipe dienen als Meta-Frameworks, um zum einen die Portabilität der Modelle und zum anderen ein schnelles Deployment zu erreichen.
Damit schließt sich die Lücke zwischen Exploration und Produktion, und das Modell ist einfach zugänglich. Andrew Ng folgend fehlt aber noch ein gutes Stück Umsetzung und Fortschritt, bis Machine-Learning-Anwendungen so zugänglich wie Elektrizität sind.
Marcel Kurovski
ist Data Scientist für die Kölner inovex GmbH. Er hat sich auf Deep und Reinforcement Learning sowie deren Anwendung für Recommender-Systeme spezialisiert. Während seines Studiums des Wirtschaftsingenieurwesens hatte er einen Fokus auf Machine Learning, Simulation und Operations Research gesetzt und ist fasziniert von Künstlicher Intelligenz.
(rme)
