Halaman ini diterjemahkan oleh Cloud Translation API. Sistem ML Produksi: Uji Pengetahuan Anda Kembali ke jalur Anda menggunakan machine learning untuk membuat model klasifikasi yang memprediksi penampilan unicorn. {i>Dataset<i} Anda berisi 10.000 kemunculan unicorn dan 10.000 unicorn yang tidak muncul. {i>Dataset<i} berisi lokasi, waktu, ketinggian, suhu, kelembapan, tutupan pohon, adanya pelangi, dan beberapa fitur lainnya. Setelah meluncurkan prediktor tampilan unicorn, Anda harus memastikan model selalu terbaru dengan melatih ulang data baru. Karena Anda mengumpulkan terlalu banyak data baru untuk dilatih, Anda memutuskan untuk membatasi data pelatihan dengan mengambil sampel data baru selama jangka waktu tertentu. Anda juga perlu memperhitungkan pola harian dan tahunan dalam penampilan unicorn. Berapa jangka waktu yang Anda pilih? Suatu hari, karena jendela yang lebih besar akan menghasilkan banyak data dan model Anda akan membutuhkan waktu terlalu lama untuk dilatih. Satu minggu, agar {i>dataset Satu tahun, untuk memastikan bahwa model Anda tidak bias berdasarkan pola harian atau tahunan. Anda akan meluncurkan prediktor penampilan unicorn. Kerja bagus! Anda pergi berlibur dan kembali setelah tiga minggu dan menemukan bahwa kualitas model Anda telah menurun secara signifikan. Asumsikan bahwa perilaku unicorn tidak mungkin berubah secara signifikan dalam tiga minggu. Apa penjelasan yang paling mungkin mengenai penurunan kualitas? Diferensiasi performa pelatihan: format data penayangan berubah secara bertahap pada titik tertentu setelah model mulai ditayangkan. Anda menggunakan akurasi sebagai metrik selama pelatihan. Model Anda sudah usang. Tidak satu pun dari yang disebutkan di atas. Anda meninjau prediksi model untuk Antartika, dan menemukan bahwa model tersebut telah membuat prediksi yang buruk di sana sejak model tersebut dirilis ke jalur produksi. Manakah dari hal berikut ini yang mungkin menjadi sumber masalahnya? Contoh latihan untuk Antarktika belum cukup. Anda telah menggunakan pelatihan dinamis, bukan pelatihan statis. Model Anda sudah usang. Semua yang di atas. Prediktor penampilan unicorn Anda telah beroperasi selama satu tahun. Anda telah mengatasi banyak masalah, dan kualitas sekarang sedang tinggi. Namun, Anda melihat masalah kecil tapi terus-menerus. Kualitas model Anda sedikit lebih rendah di area perkotaan. Apa kemungkinan penyebabnya? Kualitas prediksi yang tinggi membuat pengguna dapat menemukan unicorn dengan mudah, sehingga memengaruhi perilaku tampilan unicorn itu sendiri. Daerah perkotaan sulit untuk dimodelkan. Penampilan unicorn dilaporkan beberapa kali di area padat penduduknya, sehingga data pelatihan Anda tidak akurat. Melalui semua pemecahan masalah, Anda telah meningkatkan kualitas prediksi model unicorn secara signifikan, dan hasilnya, penggunaannya meningkat sepuluh kali lipat. Namun, kini pengguna mengeluh bahwa model ini sangat lambat; permintaan inferensi biasanya memerlukan waktu lebih dari 30 detik untuk menampilkan prediksi. Manakah dari perubahan berikut yang dapat membantu memecahkan masalah ini? Alihkan model dari pelatihan dinamis ke pelatihan statis. Alihkan model dari inferensi dinamis ke inferensi statis. Validasi kualitas model sebelum ditayangkan. Solusi di atas tidak akan membantu. Kirim jawaban error_outline Terjadi error saat menilai kuis. Harap coba lagi.