আপনি নিম্নলিখিত অনুমান কৌশলগুলির মধ্যে যেকোনো একটি বেছে নিতে পারেন:
অফলাইন অনুমান , যার অর্থ আপনি একটি ম্যাপরিডুস বা অনুরূপ কিছু ব্যবহার করে একটি ব্যাচে সমস্ত সম্ভাব্য ভবিষ্যদ্বাণী করেন৷ তারপরে আপনি একটি SSTable বা Bigtable-এ ভবিষ্যদ্বাণী লিখুন এবং তারপরে এইগুলিকে একটি ক্যাশে/লুকআপ টেবিলে খাওয়ান।
অনলাইন অনুমান , যার অর্থ আপনি একটি সার্ভার ব্যবহার করে চাহিদা অনুযায়ী ভবিষ্যদ্বাণী করেন।
নিম্নলিখিত ভিডিওতে স্ট্যাটিক বনাম গতিশীল অনুমান সম্পর্কে আরও জানুন (2 মিনিট)।
স্ট্যাটিক বনাম ডাইনামিক ইনফারেন্স
এমএল সিস্টেম দৃষ্টান্ত: অনুমান
অফলাইন অনুমান
একটি ম্যাপ্রিডুস বা অনুরূপ ব্যবহার করে একটি ব্যাচে সমস্ত সম্ভাব্য ভবিষ্যদ্বাণী করুন।
একটি টেবিলে লিখুন, তারপর একটি ক্যাশে/লুকআপ টেবিলে এগুলিকে খাওয়ান৷
অনলাইন অনুমান
একটি সার্ভার ব্যবহার করে চাহিদা অনুযায়ী ভবিষ্যদ্বাণী করুন।
এমএল সিস্টেম দৃষ্টান্ত: অনুমান
অফলাইন অনুমান
একটি ম্যাপ্রিডুস বা অনুরূপ ব্যবহার করে একটি ব্যাচে সমস্ত সম্ভাব্য ভবিষ্যদ্বাণী করুন।
একটি টেবিলে লিখুন, তারপর একটি ক্যাশে/লুকআপ টেবিলে এগুলিকে খাওয়ান৷
উল্টো : অনুমানের খরচ সম্পর্কে বেশি চিন্তা করার দরকার নেই।
উল্টো : সম্ভবত ব্যাচ কোটা ব্যবহার করতে পারেন।
উল্টো : পুশ করার আগে ডেটাতে ভবিষ্যদ্বাণীর পোস্ট-ভেরিফিকেশন করতে পারে।
এমএল সিস্টেম দৃষ্টান্ত: অনুমান
অফলাইন অনুমান
একটি ম্যাপ্রিডুস বা অনুরূপ ব্যবহার করে একটি ব্যাচে সমস্ত সম্ভাব্য ভবিষ্যদ্বাণী করুন।
একটি টেবিলে লিখুন, তারপর একটি ক্যাশে/লুকআপ টেবিলে এগুলিকে খাওয়ান৷
উল্টো : অনুমানের খরচ সম্পর্কে বেশি চিন্তা করার দরকার নেই।
উল্টো : সম্ভবত ব্যাচ কোটা ব্যবহার করতে পারেন।
উল্টো : পুশ করার আগে ডেটার ভবিষ্যদ্বাণীতে পোস্ট-ভেরিফিকেশন করতে পারে।
নেতিবাচক দিক : আমরা যে বিষয়ে জানি তা শুধুমাত্র ভবিষ্যদ্বাণী করতে পারে -- লম্বা লেজের জন্য খারাপ।
খারাপ দিক : আপডেট লেটেন্সি সম্ভবত ঘন্টা বা দিনে পরিমাপ করা হয়।
এমএল সিস্টেম দৃষ্টান্ত: অনুমান
অনলাইন অনুমান
একটি সার্ভার ব্যবহার করে চাহিদা অনুযায়ী ভবিষ্যদ্বাণী করুন।
উল্টো : যেকোনো নতুন আইটেম আসার সাথে সাথে ভবিষ্যদ্বাণী করতে পারে -- লম্বা লেজের জন্য দুর্দান্ত।
এমএল সিস্টেম দৃষ্টান্ত: অনুমান
অনলাইন অনুমান
একটি সার্ভার ব্যবহার করে চাহিদা অনুযায়ী ভবিষ্যদ্বাণী করুন।
উল্টো : যেকোনো নতুন আইটেম আসার সাথে সাথে ভবিষ্যদ্বাণী করতে পারে -- লম্বা লেজের জন্য দুর্দান্ত।
খারাপ দিক : কম্পিউট ইনটেনসিভ, লেটেন্সি সেনসিটিভ -- মডেলের জটিলতা সীমিত করতে পারে।
নেতিবাচক দিক : পর্যবেক্ষণের চাহিদা আরও নিবিড়।
ভিডিও লেকচার সারাংশ
এখানে অফলাইন অনুমানের সুবিধা এবং অসুবিধা রয়েছে:
প্রো: অনুমানের খরচ নিয়ে বেশি চিন্তা করার দরকার নেই।
প্রো: সম্ভবত ব্যাচ কোটা বা কিছু বিশাল MapReduce ব্যবহার করতে পারে।
প্রো: পুশ করার আগে ভবিষ্যদ্বাণীর পোস্ট-ভেরিফিকেশন করতে পারে।
কন: আমরা যে বিষয়ে জানি তা শুধুমাত্র ভবিষ্যদ্বাণী করতে পারে — লম্বা লেজের জন্য খারাপ।
কন: আপডেট লেটেন্সি সম্ভবত ঘন্টা বা দিনে পরিমাপ করা হয়।
এখানে অনলাইন অনুমানের সুবিধা এবং অসুবিধা রয়েছে:
প্রো: যে কোনও নতুন আইটেম আসার সাথে সাথে তার ভবিষ্যদ্বাণী করতে পারে — লম্বা লেজের জন্য দুর্দান্ত।
কন: কম্পিউট ইনটেনসিভ, লেটেন্সি সংবেদনশীল—মডেলের জটিলতা সীমিত করতে পারে।