Produkcyjne systemy ML: wnioskowanie statyczne a dynamiczne
Wywoływanie to proces tworzenia prognoz na podstawie zastosowania wytrenowanego modelu do przykładów bez etykiet.
Ogólnie rzecz biorąc, model może wyciągać wnioski na podstawie prognoz na 2 sposoby:
Statyczna wykładnia (nazywana też offlineową wykładnią lub wykładnią zbiorczą) oznacza, że model wykonuje prognozy na podstawie wielu nieoznaczonych przykładów, a następnie zapisuje te prognozy w miejscu docelowym.
Wnioskowanie dynamiczne (nazywane też wnioskowaniem online lub wnioskowaniem w czasie rzeczywistym) oznacza, że model generuje prognozy tylko na żądanie, na przykład gdy klient poprosi o prognozę.
Wyobraź sobie bardzo złożony model, który potrzebuje godziny na wygenerowanie prognozy.
To prawdopodobnie świetna sytuacja do zastosowania wnioskowania statycznego:
Rysunek 4. W przypadku statycznej dedukcji model generuje prognozy, które są następnie przechowywane w pamięci podręcznej na serwerze.
Załóżmy, że ten sam złożony model błędnie używa wnioskowania dynamicznego zamiast wnioskowania statycznego. Jeśli wiele klientów poprosi o prognozy w przybliżeniu w tym samym czasie, większość z nich nie otrzyma prognozy przez kilka godzin lub dni.
Teraz rozważ model, który wyciąga wnioski szybko, np. w 2 milisekundy, używając względnie minimalnych zasobów obliczeniowych. W takim przypadku klienci mogą szybko i skutecznie otrzymywać prognozy dzięki dynamicznemu wnioskowaniu, jak pokazano na rysunku 5.
Rysunek 5. W przypadku wnioskowania dynamicznego model wytwarza prognozy na żądanie.
Wywnioskowanie statyczne
Wnioskowanie statyczne ma pewne zalety i wady.
Zalety
Nie musisz się zbytnio martwić kosztem wnioskowania.
Możesz weryfikować prognozy przed ich przesłaniem.
Wady:
Może wyświetlać tylko zapisane w pamięci podręcznej prognozy, więc system może nie być w stanie wyświetlać prognoz dla nietypowych przykładów danych wejściowych.
Czas oczekiwania na aktualizację liczony jest prawdopodobnie w godzinach lub dniach.
Wywnioskowanie dynamiczne
Wyciąganie wniosków dynamicznych ma pewne zalety i wady.
Zalety
Może prognozować każdy nowy element, gdy tylko się pojawi, co jest bardzo przydatne w przypadku prognoz z długiego ogona (rzadziej występujących).
Wady:
wymagają dużej mocy obliczeniowej i są wrażliwe na opóźnienia; Ta kombinacja może ograniczać złożoność modelu, co oznacza, że konieczne może być stworzenie prostszego modelu, który może przewidywać wyniki szybciej niż złożony model.
Potrzeby związane z monitorowaniem są bardziej intensywne.
Ćwiczenia: sprawdź swoją wiedzę
Które 3 z tych 4 stwierdzeń są prawdziwe w przypadku wnioskowania statycznego?
Model musi tworzyć prognozy dla wszystkich możliwych danych wejściowych.
Tak, model musi przewidywać wyniki dla wszystkich możliwych danych wejściowych i zapisywać je w pamięci podręcznej lub tabeli odszukiwania.
Jeśli zbiór rzeczy, które model przewiduje, jest ograniczony, wnioskowanie statystyczne może być dobrym wyborem.
Jednak w przypadku danych w postaci dowolnego tekstu, np. zapytań użytkowników, które mają długi ogon nietypowych lub rzadkich elementów, statystyczna analiza indukcyjna nie zapewnia pełnego pokrycia.
System może weryfikować wywnioskowane prognozy przed ich wyświetleniem.
Tak, to przydatna cecha statycznej wykładni.
W przypadku danego wejścia model może prognozować szybciej niż w przypadku wnioskowania dynamicznego.
Tak. W większości przypadków wnioskowanie statystyczne może generować prognozy szybciej niż wnioskowanie dynamiczne.
Możesz szybko reagować na zmiany na świecie.
Nie, to jest wada statycznej analizy.
Które z tych stwierdzeń jest prawdziwe w przypadku wnioskowania dynamicznego?
Możesz podać prognozy dotyczące wszystkich możliwych elementów.
Tak, to jest zaleta dynamicznego wnioskowania. Każde otrzymane żądanie będzie oceniane. Dynamiczne wnioskowanie obsługuje rozkłady ogonów długiego (te z wieloma rzadkimi elementami), takie jak zbiór wszystkich możliwych zdań w recenzjach filmów.
Możesz zweryfikować prognozy przed ich użyciem.
Ogólnie rzecz biorąc, nie jest możliwe sprawdzenie wszystkich prognoz przed ich użyciem, ponieważ prognozy są tworzone na żądanie. Możesz jednak monitorować zbiorcze wartości jakości prognozy, aby zapewnić pewien poziom kontroli jakości, ale będą one sygnalizować alarmy dopiero po tym, jak pożar się rozprzestrzeni.
Podczas wykonywania dynamicznego wnioskowania nie musisz się martwić o opóźnienie prognozy (czas opóźnienia w zwrocie prognozy) tak bardzo jak podczas wykonywania wnioskowania statycznego.
Czas oczekiwania na prognozę jest często prawdziwym problemem w przypadku wnioskowania dynamicznego.
Niestety nie zawsze można rozwiązać problemy z czasem oczekiwania na prognozę przez dodanie większej liczby serwerów wnioskowania.
[null,null,["Ostatnia aktualizacja: 2024-11-14 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."]]],[]]
