मोटे तौर पर, किसी मॉडल को इन दो तरीकों से ट्रेनिंग दी जा सकती है:
स्टैटिक ट्रेनिंग (भी
ऑफ़लाइन ट्रेनिंग) का मतलब है कि आपने मॉडल को ट्रेनिंग दी है
का इस्तेमाल करें. फिर आप कुछ समय तक उसी मॉडल को अपना रहे हैं.
डाइनैमिक ट्रेनिंग (भी
ऑनलाइन ट्रेनिंग कहा जाता है) का मतलब है कि आपने मॉडल को ट्रेनिंग दी है
लगातार या कम से कम बार-बार. आम तौर पर, आप सबसे ज़्यादा
हाल ही में ट्रेनिंग दी गई है.
दूसरी इमेज. स्टैटिक ट्रेनिंग. एक बार ट्रेनिंग लें; उसी बिल्ट-इन मॉडल पर विज्ञापन देते हों
कई बार इस्तेमाल किया जा सकता है. (Pexels और Fancycleve1 की ओर से इमेज.)
तीसरी इमेज. डाइनैमिक ट्रेनिंग. बार-बार ट्रेनिंग दें; सबसे ज़्यादा सेवा देते हैं
हाल ही में बनाया गया मॉडल. (Pexels और Couleur के इमेज.)
टेबल 1. मुख्य फ़ायदे और कमियां.
स्टैटिक ट्रेनिंग
डाइनैमिक ट्रेनिंग
फ़ायदे
आसान बनाएँ. आपको सिर्फ़ एक बार मॉडल डेवलप और टेस्ट करना होगा.
बेहतर तरीके से अपनाया जा सकने वाला. आपका मॉडल किसी भी
सुविधाओं और लेबल के बीच के संबंध में बदलाव.
नुकसान
कभी-कभी यह अजीब होता है. सुविधाओं और
लेबल समय के साथ बदलते रहते हैं, तो आपके मॉडल के पूर्वानुमान कम हो जाएंगे.
ज़्यादा काम. आपको एक नया प्रॉडक्ट बनाना, टेस्ट करना, और रिलीज़ करना होगा
हमेशा.
अगर आपका डेटासेट वाकई समय के साथ नहीं बदलता है, तो स्टैटिक ट्रेनिंग चुनें, क्योंकि
इसे बनाना और उसका रखरखाव करना डाइनैमिक ट्रेनिंग के मुकाबले सस्ता है. हालांकि, डेटासेट
समय के साथ चीज़ों में बदलाव आ सकता है. इनमें वे सुविधाएं भी शामिल हैं जो आपके हिसाब से
समुद्र तल के रूप में स्थिर है. सीखने की बात: स्टैटिक मोड के साथ भी
है, तब भी आपको बदलाव के लिए अपने इनपुट डेटा पर नज़र रखनी होगी.
उदाहरण के लिए, किसी ऐसे मॉडल पर विचार करें जिसे उपयोगकर्ताओं को इस बात की संभावना का अनुमान लगाने के लिए ट्रेन किया गया है
फूल खरीदेगा. समय के दबाव की वजह से, मॉडल को सिर्फ़ एक बार ट्रेनिंग दी गई है
जुलाई और अगस्त के दौरान फूलों की खरीदारी के व्यवहार के डेटासेट का इस्तेमाल करके.
मॉडल कई महीनों तक ठीक से काम करता है, लेकिन फिर बहुत खराब अनुमान लगा देता है
वैलेंटाइन डे के आस-पास, क्योंकि
फूलों की छुट्टियों के दौरान, उपयोगकर्ता के व्यवहार में नाटकीय रूप से बदलाव आता है.
स्टैटिक और डाइनैमिक ट्रेनिंग के बारे में ज़्यादा जानकारी के लिए, देखें
एमएल प्रोजेक्ट मैनेज करना
कोर्स.
व्यायाम: अपनी समझ को परखें
यहां दिए गए दो वाक्यों के बारे में कौनसी बात सही है
स्टैटिक (ऑफ़लाइन) ट्रेनिंग?
नया डेटा मिलने पर यह मॉडल अप-टू-डेट रहता है.
दरअसल, अगर आपको ऑफ़लाइन ट्रेनिंग देनी है, तो मॉडल में
इसमें नया डेटा शामिल होता है. इसकी मदद से,
पुरानी जानकारी, अगर किसी डिस्ट्रिब्यूशन से सीखना है
समय के साथ बदलता रहता है.
प्रोडक्शन में मॉडल लागू करने से पहले, उसकी पुष्टि की जा सकती है.
हां, ऑफ़लाइन ट्रेनिंग से मॉडल की पुष्टि करने का मौका मिलता है
परफ़ॉर्मेंस पर नज़र रखें.
ऑफ़लाइन ट्रेनिंग के लिए, ट्रेनिंग जॉब पर कम निगरानी करनी पड़ती है
ऑनलाइन ट्रेनिंग के मुकाबले काफ़ी ज़्यादा होता है.
आम तौर पर, ट्रेनिंग के समय निगरानी करने की ज़रूरी शर्तें थोड़ी और बेहतर होती हैं
ऑफ़लाइन ट्रेनिंग के लिए बने होते हैं. इससे आपको
कई प्रोडक्शन
ध्यान दें. हालांकि, जितनी बार मॉडल को ट्रेनिंग दी जाएगी उतनी बार,
निगरानी में उतना ज़्यादा निवेश करना पड़ेगा. आपको
नियमित रूप से पुष्टि करना चाहते हैं, ताकि यह पक्का किया जा सके कि आपके कोड में बदलाव हों
(और इसकी डिपेंडेंसी) मॉडल की क्वालिटी पर बुरा असर नहीं डालती हैं.
इनपुट डेटा पर बहुत कम निगरानी की ज़रूरत है
अनुमान का समय.
आम तौर पर, आपको विज्ञापन दिखाते समय इनपुट डेटा को मॉनिटर करने की ज़रूरत होती है
समय. अगर इनपुट डिस्ट्रिब्यूशन में बदलाव होता है, तो हमारे मॉडल का
ऐसा हो सकता है कि सुझाव भरोसेमंद न हों. उदाहरण के लिए, मान लीजिए कि एक मॉडल
सिर्फ़ गर्मियों में पहने जाने वाले कपड़ों के डेटा के लिए प्रशिक्षण दिया गया.
सर्दी के मौसम में कपड़ों की खरीदारी का अनुमान लगाएं.
इनमें से एक स्टेटमेंट किस बारे में सही है
डाइनैमिक (ऑनलाइन) ट्रेनिंग?
नया डेटा मिलने पर यह मॉडल अप-टू-डेट रहता है.
यह ऑनलाइन ट्रेनिंग का मुख्य फ़ायदा है; आपको कई सारे जोखिमों से बचना होगा,
इससे मॉडल को नए डेटा के आधार पर ट्रेनिंग देने की अनुमति मिलती है, ताकि पुरानी जानकारी
यह आता है.
ट्रेनिंग से जुड़ी नौकरियों पर बहुत कम निगरानी करने की ज़रूरत होती है.
असल में, आपको ट्रेनिंग जॉब पर लगातार नज़र रखनी होगी, ताकि यह पक्का किया जा सके कि
वे स्वस्थ हैं और उम्मीद के मुताबिक काम कर रहे हैं. आपको इनकी ज़रूरत भी होगी
बुनियादी ढांचा, जैसे कि मॉडल को रोल बैक करना
ट्रेनिंग के दौरान कुछ गलत होने की स्थिति में पिछले स्नैपशॉट पर जाएं,
जैसे कि इनपुट डेटा में कोई गड़बड़ी हुई है या कोई गड़बड़ी हुई है.
इनपुट डेटा पर बहुत कम निगरानी की ज़रूरत है
अनुमान का समय.
स्थिर, ऑफ़लाइन मॉडल की तरह, यह भी महत्वपूर्ण है कि
डाइनैमिक रूप से अपडेट हुए मॉडल के इनपुट पर नज़र रख सकते हैं. आप
पर सीज़न के बड़े असर पड़ने की संभावना नहीं है, लेकिन अचानक,
इनपुट में बड़े बदलाव किए जा रहे हैं, जैसे कि अपस्ट्रीम डेटा सोर्स
कम) होने के बावजूद भी अनुमान भरोसेमंद नहीं होते.
