Sistemi di ML di produzione: verifica le tue conoscenze

Stai utilizzando il machine learning per creare un modello di classificazione che prevede l'aspetto degli unicorni. Il set di dati descrive in dettaglio 10.000 apparizioni di unicorni e 10.000 non apparizioni di unicorni. Il set di dati contiene la posizione, l'ora del giorno, l'altitudine, la temperatura, l'umidità, la copertura arborea, la presenza di un arcobaleno e molte altre caratteristiche.

Dopo aver lanciato il predittore dell'aspetto unicorno, dovrai mantenere il modello aggiornato eseguendo di nuovo l'addestramento con nuovi dati. Poiché stai raccogliendo troppi dati nuovi su cui eseguire l'addestramento, decidi di limitare i dati campionando i nuovi dati in un intervallo di tempo. Devi anche tenere conto delle tendenze giornaliere e annuali nell'aspetto degli unicorni. Quale intervallo di tempo scegli?

Un giorno, perché una finestra più ampia significherebbe molti dati e l'addestramento del modello impiegherebbe troppo tempo.

Una settimana, in modo che il set di dati non sia troppo grande, ma sia comunque possibile uniformare i pattern.

Un anno, per assicurarti che il modello non sia influenzato da schemi annuali.

Lanci il tuo predittore dell'aspetto di unicorno. Funziona bene! Vai in vacanza e torni dopo tre settimane per scoprire che la qualità del modello è diminuita in modo significativo. Supponiamo che il comportamento degli unicorni non cambi in modo significativo in tre settimane. Qual è la spiegazione più probabile del calo di qualità?

Disallineamento addestramento/produzione: il formato dei dati di distribuzione è cambiato gradualmente a un certo punto dopo l'inizio della pubblicazione del modello.

Hai usato l'accuratezza come metrica durante l'addestramento.

Il modello non è aggiornato.

Nessuna delle risposte precedenti.

Dopo aver analizzato le previsioni del modello per l'Antartide, scopri che il modello ha fatto previsioni sbagliate da quando è stato messo in produzione. Quale delle seguenti potrebbe essere la causa del problema?

Non avevi abbastanza esempi di addestramento per l'Antartide.

Hai utilizzato l'addestramento dinamico invece dell'addestramento statico.

Il modello è diventato inattivo.

Tutte le risposte precedenti.

Il tuo predittore dell'aspetto da unicorno opera da un anno. Hai risolto molti problemi e ora la qualità è elevata. Tuttavia, noti un problema piccolo ma persistente. La qualità del modello è leggermente inferiore nelle aree urbane. Quale potrebbe essere la causa?

L'alta qualità delle previsioni porta gli utenti a trovare facilmente unicorni, influenzando il comportamento degli unicorni.

Le aree urbane sono difficili da modellare.

La presenza di unicorni viene segnalata più volte in zone densamente popolate, alterando i dati di addestramento.

Grazie a tutte le attività di risoluzione dei problemi, hai notevolmente migliorato la qualità delle previsioni del modello unicorno e, di conseguenza, l'utilizzo è aumentato di dieci volte. Tuttavia, gli utenti si lamentano del fatto che il modello è estremamente lento; Le richieste di inferenza in genere richiedono più di 30 secondi per restituire le previsioni. Quale delle seguenti modifiche potrebbe risolvere il problema?

Passare dall'addestramento dinamico all'addestramento statico.

Cambiare il modello dall'inferenza dinamica a quella statica.

Convalida la qualità del modello prima della pubblicazione.

Nessuna delle soluzioni precedenti è utile.