تمت ترجمة هذه الصفحة بواسطة Cloud Translation API. أنظمة تعلُّم الآلة للإنتاج: اختبار معلوماتك العودة إلى المسار أنت تستخدم التعلم الآلي لإنشاء نموذج تصنيف يتنبأ بمظاهر وحيد القرن. توضح مجموعة البيانات الخاصة بك 10000 ظهور لوحيد القرن و10000 ظهور أحادي القرن. تحتوي مجموعة البيانات على الموقع والوقت من اليوم والارتفاع ودرجة الحرارة والرطوبة والغطاء الشجري ووجود قوس قزح والعديد من الميزات الأخرى. بعد إطلاق أداة التنبؤ بمظهر أحادي القرن، ستحتاج إلى إبقاء نموذجك مُحدَّثًا من خلال إعادة التدريب على البيانات الجديدة. نظرًا لأنك تجمع الكثير من البيانات الجديدة للتدريب عليها، تقرر الحد من بيانات التدريب عن طريق أخذ عينات من البيانات الجديدة على مدار فترة زمنية. تحتاج أيضًا إلى حساب الأنماط اليومية والسنوية في ظهور أحادي القرن. ما الفترة الزمنية التي تختارها؟ في يوم من الأيام، نظرًا لأن نافذة أكبر ستؤدي إلى الكثير من البيانات وسيستغرق تدريب النموذج وقتًا طويلاً جدًا. أسبوع واحد، بحيث لا تكون مجموعة البيانات كبيرة جدًا ولكن لا يزال بإمكانك تجانس الأنماط. لمدة عام، للتأكد من أن نموذجك غير متحيز للأنماط السنوية. أطلقْت مؤشّر مظهر أحادي القرن. إنها تعمل بشكل جيد! وستذهب في إجازة وتعود بعد ثلاثة أسابيع لتجد أن جودة نموذجك قد انخفضت بشكل كبير. افترض أنه من غير المحتمل أن يتغير سلوك أحادي القرن بشكل ملحوظ في غضون ثلاثة أسابيع. فما التفسير الأكثر احتمالاً لانخفاض الجودة؟ انحراف عرض التدريب: تغيّر تنسيق بيانات العرض تدريجيًا في مرحلة ما بعد بدء عرض النموذج. لقد استخدمت الدقة كمقياس أثناء التدريب. النموذج قديم. لا شيء مما سبق تقوم بمراجعة تنبؤات النموذج للقارة القطبية الجنوبية، وتكتشف أن النموذج كان يقدم تنبؤات سيئة هناك منذ إطلاق النموذج للإنتاج. أي مما يلي يمكن أن يكون مصدر المشكلة؟ لم تتوفّر لديك أمثلة تدريبية كافية حول أنتاركتيكا. لقد استخدمت التدريب الديناميكي بدلاً من التدريب الثابت. أصبح نموذجك قديمًا. جميع ما سبق. تم تشغيل مؤشّر مظهر أحادي القرن لمدة عام. لقد أصلحت العديد من المشاكل وأصبحت الجودة عالية الآن. ومع ذلك، تلاحظ مشكلة صغيرة ولكنها مستمرة. انخفضت جودة نموذجك قليلاً في المناطق الحضرية. ما هو السبب؟ تؤدي الجودة العالية لتوقعاتك إلى عثور المستخدمين على وحيد القرن بسهولة، ما يؤثر على سلوك مظهر وحيد القرن نفسه. يصعب نمذجة المناطق الحضرية. يتم الإبلاغ عن ظهور أحادي القرن عدة مرات في المناطق المكتظة بالسكان، ما يؤدي إلى تحريف بيانات التدريب. من خلال كل خطوات استكشاف الأخطاء وإصلاحها، تكون قد أجريت تحسينًا كبيرًا على جودة تنبؤات نموذج وحيد القرن، ونتيجةً لذلك، ازداد الاستخدام عشرة أضعاف. ومع ذلك، يشتكي المستخدمون الآن من أن النموذج بطيء للغاية؛ عادةً ما تستغرق طلبات الاستنتاج أكثر من 30 ثانية لعرض التنبؤات. أي من التغييرات التالية يمكن أن يساعد في حل هذه المشكلة؟ تبديل النموذج من التدريب الديناميكي إلى التدريب الثابت. تبديل النموذج من الاستنتاج الديناميكي إلى الاستنتاج الثابت. تحقَّق من جودة النموذج قبل عرضه. لن يساعدك أي من الحلول السابقة. إرسال الإجابات error_outline حدث خطأ أثناء وضع درجات للاختبار. يُرجى المحاولة مرة أخرى.
