Se usó la API de Cloud Translation para traducir esta página. Pon a prueba tus conocimientos sobre los sistemas del AA de producción Volver a la ruta de aprendizaje Estás usando aprendizaje automático para compilar un modelo de clasificación que predice la apariencia de los unicornios. Tu conjunto de datos detalla 10,000 apariciones de unicornio y 10,000 no apariciones de unicornio. El conjunto de datos contiene la ubicación, la hora del día, la elevación, la temperatura, la humedad, la cobertura arbórea, la presencia de arcoíris y muchos otros atributos. Después de iniciar el predictor de apariencia de unicornio, deberás mantener actualizado tu modelo. Para ello, deberás volver a entrenarlo con datos nuevos. Debido a que estás recopilando demasiados datos nuevos para entrenar, decides limitar los datos de entrenamiento mediante el muestreo de los datos nuevos durante un período. También debes tener en cuenta los patrones diarios y anuales de las apariencias de unicornio. ¿Qué período eliges? Un día, porque una ventana más grande generaría muchos datos y tu modelo tardaría demasiado en entrenarse. Una semana, para que tu conjunto de datos no sea demasiado grande, pero aún puedes suavizar patrones. Un año, para garantizar que tu modelo no esté sesgado por patrones diarios o anuales. Inicias el predictor de la apariencia de unicornio. ¡Funciona bien! Te vas de vacaciones y regresas después de tres semanas, y descubres que la calidad de tu modelo disminuyó de manera significativa. Supongamos que es poco probable que el comportamiento unicornio cambie de manera significativa en tres semanas. ¿Cuál es la explicación más probable de la disminución en la calidad? Desviación entre el entrenamiento y la entrega: El formato de los datos de entrega cambió gradualmente en algún momento después de que el modelo comenzó a entregar. Usaste la exactitud como una métrica durante el entrenamiento. Tu modelo está inactivo. Ninguna de las opciones anteriores Revisas las predicciones del modelo para la Antártida y descubres que el modelo ha estado haciendo predicciones deficientes allí desde que se lanzó a producción. ¿Cuál de las siguientes opciones podría ser la fuente del problema? No tuviste suficientes ejemplos de entrenamiento para la Antártida. Usaste entrenamiento dinámico en lugar de entrenamiento estático. Tu modelo se volvió obsoleto. Todas las anteriores. El predictor de la apariencia de tu unicornio funcionó durante un año. Ya corregiste muchos problemas, y ahora la calidad es alta. Sin embargo, observas un problema pequeño, pero persistente. La calidad de tu modelo es un poco más baja en las áreas urbanas. ¿Cuál podría ser la causa? La alta calidad de las predicciones lleva a los usuarios a encontrar fácilmente los unicornios, lo que afecta su comportamiento de apariencia. Las áreas urbanas son difíciles de modelar. La apariencia de los unicornios se informa varias veces en áreas muy pobladas, lo que sesga los datos de entrenamiento. A través de todos los pasos de solución de problemas, mejoraste considerablemente la calidad de las predicciones del modelo unicornio y, como resultado, el uso se multiplicó por diez. Sin embargo, los usuarios ahora se quejan de que el modelo es extremadamente lento. las solicitudes de inferencia suelen tardar más de 30 segundos en devolver predicciones. ¿Cuál de los siguientes cambios podría ayudar a resolver este problema? Cambiar el modelo del entrenamiento dinámico al entrenamiento estático Cambiar el modelo de la inferencia dinámica a la inferencia estática Validar la calidad del modelo antes de la entrega Ninguna de las soluciones anteriores te serviría. Enviar respuestas error_outline Se produjo un error mientras se calificaba el cuestionario. Vuelve a intentarlo.
