Производственные системы ML: статический и динамический вывод
Вывод — это процесс прогнозирования путем применения обученной модели к неразмеченным примерам . Вообще говоря, модель может делать прогнозы одним из двух способов:
Статический вывод (также называемый автономным выводом или пакетным выводом ) означает, что модель делает прогнозы на множестве распространенных немаркированных примеров , а затем где-то кэширует эти прогнозы.
Динамический вывод (также называемый онлайн-выводом или выводом в реальном времени) означает, что модель делает прогнозы только по требованию, например, когда клиент запрашивает прогноз.
В качестве крайнего примера представьте себе очень сложную модель, для получения прогноза которой требуется один час. Вероятно, это была бы отличная ситуация для статического вывода:
Рисунок 4. При статическом выводе модель генерирует прогнозы, которые затем кэшируются на сервере.
Предположим, что та же самая сложная модель ошибочно использует динамический вывод вместо статического. Если многие клиенты запрашивают прогнозы примерно в одно и то же время, большинство из них не получат этот прогноз в течение нескольких часов или дней.
Теперь рассмотрим модель, которая делает выводы быстро, возможно, за 2 миллисекунды, используя относительный минимум вычислительных ресурсов. В этой ситуации клиенты могут быстро и эффективно получать прогнозы с помощью динамического вывода, как показано на рисунке 5.
Рисунок 5. При динамическом выводе модель делает прогнозы по запросу.
Статический вывод
Статический вывод имеет определенные преимущества и недостатки.
Преимущества
Не нужно сильно беспокоиться о стоимости вывода.
Могу сделать пост-проверку прогнозов перед отправкой.
Недостатки
Может предоставлять только кэшированные прогнозы, поэтому система может быть не в состоянии предоставлять прогнозы для необычных входных примеров.
Задержка обновления, вероятно, измеряется часами или днями.
Динамический вывод
Динамический вывод имеет определенные преимущества и недостатки.
Преимущества
Можно сделать прогноз для любого нового элемента по мере его поступления, что отлично подходит для прогнозов с длинным хвостом (менее распространенных).
Недостатки
Интенсивные вычисления и чувствительность к задержкам. Эта комбинация может ограничить сложность модели; то есть вам, возможно, придется построить более простую модель, которая сможет делать прогнозы быстрее, чем сложная модель.
Потребности в мониторинге более интенсивны.
Упражнения: проверьте свое понимание
Какие три из следующих четырех утверждений верны для статического вывода?
Модель должна создавать прогнозы для всех возможных входных данных.
Да, модель должна делать прогнозы для всех возможных входных данных и сохранять их в кеше или справочной таблице. Если набор вещей, которые предсказывает модель, ограничен, то статический вывод может быть хорошим выбором. Однако для входных данных в свободной форме, таких как пользовательские запросы с длинным хвостом необычных или редких элементов, статический вывод не может обеспечить полный охват.
Система может проверять полученные прогнозы перед их обслуживанием.
Да, это полезный аспект статического вывода.
Для заданных входных данных модель может дать прогноз быстрее, чем динамический вывод.
Да, статический вывод почти всегда позволяет делать прогнозы быстрее, чем динамический.
Вы можете быстро реагировать на изменения в мире.
Нет, это недостаток статического вывода.
Какое из следующих утверждений верно для динамического вывода?
Вы можете предоставить прогнозы для всех возможных предметов.
Да, это сильная сторона динамического вывода. Любой поступивший запрос будет оценен. Динамический вывод обрабатывает распределения с длинным хвостом (с большим количеством редких элементов), например, пространство всех возможных предложений, написанных в обзорах фильмов.
Вы можете выполнить пост-проверку прогнозов перед их использованием.
В общем, невозможно выполнить пост-проверку всех прогнозов до того, как они будут использованы, поскольку прогнозы делаются по запросу. Однако потенциально вы можете отслеживать качество совокупного прогнозирования, чтобы обеспечить некоторый уровень проверки качества, но это будет сигнализировать о пожарной тревоге только после того, как пожар уже распространился.
При выполнении динамического вывода вам не нужно беспокоиться о задержке прогнозирования (время задержки для возврата прогнозов) так сильно, как при выполнении статического вывода.
Задержка прогнозирования часто является серьезной проблемой при динамическом выводе. К сожалению, вы не всегда можете решить проблемы с задержкой прогнозирования, добавив больше серверов вывода.
[null,null,["Последнее обновление: 2024-11-07 UTC."],[[["Inference involves using a trained model to make predictions on unlabeled examples, and it can be done statically or dynamically."],["Static inference generates predictions in advance and caches them, making it suitable for scenarios where prediction speed is critical but limiting its ability to handle uncommon inputs."],["Dynamic inference generates predictions on demand, offering flexibility for diverse inputs but potentially increasing latency and computational demands."],["Choosing between static and dynamic inference depends on factors like model complexity, desired prediction speed, and the nature of the input data."],["Static inference is advantageous when cost and prediction verification are prioritized, while dynamic inference excels in handling diverse, real-time predictions."]]],[]]
