Üretim makine öğrenimi sistemleri: Statik ve dinamik eğitim
Genel olarak, bir modeli iki şekilde eğitebilirsiniz:
Statik eğitim (çevrimdışı eğitim olarak da bilinir), bir modeli yalnızca bir kez eğitmeniz anlamına gelir. Ardından, eğitilmiş modeli bir süre boyunca sunarsınız.
Dinamik eğitim (online eğitim olarak da bilinir), bir modeli sürekli veya en azından sık sık eğitmeniz anlamına gelir. Genellikle en son eğitilen modeli sunarsınız.
Şekil 2. Statik eğitim. Bir kez eğitin, aynı oluşturulmuş modeli birden çok kez yayınlayın. (Resimler: Pexels ve fancycrave1.)
Şekil 3. Dinamik eğitim. Sık sık yeniden eğitin ve en son oluşturulan modeli sunun. (Resimler: Pexels ve Couleur.)
Tablo 1. Başlıca avantajlar ve dezavantajlar.
Statik eğitim
Dinamik eğitim
Avantajları
Daha basit. Modeli yalnızca bir kez geliştirmeniz ve test etmeniz gerekir.
Daha fazla esneklik Modeliniz, özellikler ile etiketler arasındaki ilişkide yapılan tüm değişiklikleri takip eder.
Dezavantajları
Bazen daha eski olabilir. Özellikler ile etiketler arasındaki ilişki zaman içinde değişirse modelinizin tahminleri kötüleşir.
Daha fazla çalışma. Sürekli olarak yeni bir ürün oluşturmanız, test etmeniz ve yayınlamanız gerekir.
Veri kümeniz zaman içinde gerçekten değişmiyorsa statik eğitimi seçin. Statik eğitimi oluşturmak ve sürdürmek, dinamik eğitime kıyasla daha ucuzdur. Ancak veri kümeleri, deniz seviyesi kadar sabit olduğunu düşündüğünüz özellikler içerenler de dahil olmak üzere zaman içinde değişme eğilimindedir. Önemli nokta: Statik eğitimde bile giriş verilerinizi değişiklik açısından izlemeniz gerekir.
Örneğin, kullanıcıların çiçek satın alma olasılığını tahmin etmek için eğitilmiş bir model düşünün. Zaman baskısı nedeniyle model, Temmuz ve Ağustos aylarında çiçek satın alma davranışını içeren bir veri kümesi kullanılarak yalnızca bir kez eğitilir.
Model birkaç ay boyunca iyi çalışır ancak Sevgililer Günü civarında kötü tahminler yapar. Bunun nedeni, çiçeklerin bol olduğu bu tatil döneminde kullanıcı davranışlarının önemli ölçüde değişmesidir.
Statik (çevrimdışı) eğitim hakkında aşağıdaki ifadelerden hangi ikisi doğrudur?
Yeni veriler geldikçe model güncel kalır.
Aslında, çevrimdışı eğitim yaparsanız model, gelen yeni verileri dahil edemez. Öğrenmeye çalıştığınız dağılım zaman içinde değişirse bu durum modelin eski olmasına yol açabilir.
Modeli üretime uygulamadan önce doğrulayabilirsiniz.
Evet, çevrimdışı eğitim, modeli üretime sunmadan önce model performansını doğrulamak için yeterli fırsat sunar.
Çevrimdışı eğitim, eğitim işlerinin online eğitime kıyasla daha az izlenmesini gerektirir.
Genel olarak, çevrimdışı eğitimde eğitim sırasındaki izleme koşulları daha azdır. Bu da sizi birçok üretim koşulundan korur. Ancak modelinizi ne kadar sık eğitirseniz izlemeye o kadar fazla yatırım yapmanız gerekir. Ayrıca, kodunuzdaki (ve bağımlılıklarının) değişikliklerin model kalitesini olumsuz etkilemediğinden emin olmak için düzenli olarak doğrulama yapmanız gerekir.
Çıkarsama sırasında giriş verileri çok az izlenmelidir.
Mantığa aykırı olarak, giriş verilerini yayınlama sırasında izlemeniz gerekir. Giriş dağılımları değişirse modelimizin tahminleri güvenilir olmayabilir. Örneğin, yalnızca yaz aylarındaki giyim verileri kullanılarak eğitilen bir modelin, kış aylarında giyim satın alma davranışını tahmin etmek için aniden kullanıldığını düşünün.
Aşağıdaki ifadelerden hangisi dinamik (online) eğitim için doğrudur?
Yeni veriler geldikçe model güncel kalır.
Bu, online eğitimin birincil avantajıdır. Modelin yeni veriler geldikçe bu verilerle eğitilmesine izin vererek birçok güncel olmama sorununu önleyebilirsiniz.
Eğitim işlerini çok az izlemeniz gerekir.
Aslında, sağlıklı olduklarından ve amaçlandığı gibi çalıştıklarından emin olmak için eğitim işlerini sürekli olarak izlemeniz gerekir. Ayrıca, eğitim sırasında bir sorun (ör. hatalı bir iş veya giriş verilerinde bozulma) olması durumunda modeli önceki bir anlık görüntüye geri döndürme gibi destekleyici altyapılara da ihtiyacınız vardır.
Çıkarsama sırasında giriş verileri çok az izlenmelidir.
Statik, çevrimdışı bir modelde olduğu gibi, dinamik olarak güncellenen modellere giren girişleri izlemek de önemlidir. Büyük olasılıkla mevsimsellik etkilerinden etkilenmezsiniz ancak girişlerde ani ve büyük değişiklikler (ör. yayın öncesi veri kaynağının devre dışı kalması) yine de güvenilir olmayan tahminlere neden olabilir.
