หลักสูตรข้อขัดข้องของแมชชีนเลิร์นนิงเวอร์ชันใหม่ที่ได้รับการปรับปรุงจะพร้อมให้บริการในเดือนสิงหาคม 2024 โปรดติดตามต่อไป
คุณจะเลือกกลยุทธ์การอนุมานแบบใดแบบหนึ่งต่อไปนี้ได้
- การอนุมานแบบออฟไลน์ หมายความว่าคุณทำการคาดการณ์ที่เป็นไปได้ทั้งหมดเป็นกลุ่มโดยใช้ MapReduce หรืออย่างอื่นที่คล้ายกัน จากนั้นเขียนการคาดการณ์ไปยัง SSTable หรือ Bigtable แล้วฟีดการคาดการณ์ไปยังตารางแคช/ค้นหา
- การอนุมานออนไลน์ หมายความว่าคุณคาดการณ์ความต้องการโดยใช้เซิร์ฟเวอร์
ดูข้อมูลเพิ่มเติมเกี่ยวกับการอนุมานแบบคงที่กับแบบไดนามิกในวิดีโอต่อไปนี้ (2 นาที)
การอนุมานแบบคงที่กับแบบไดนามิก
กระบวนทัศน์ของระบบ ML: การอนุมาน
การอนุมานแบบออฟไลน์
- ทำการคาดการณ์ที่เป็นไปได้ทั้งหมดเป็นกลุ่ม โดยใช้ Mapreduce หรือที่คล้ายกัน
- เขียนลงในตาราง จากนั้นป้อนข้อมูลเหล่านี้ลงในตารางแคช/ค้นหา
การอนุมานออนไลน์
- คาดการณ์ตามคำขอโดยใช้เซิร์ฟเวอร์
กระบวนทัศน์ของระบบ ML: การอนุมาน
การอนุมานแบบออฟไลน์
- ทำการคาดการณ์ที่เป็นไปได้ทั้งหมดเป็นกลุ่ม โดยใช้ Mapreduce หรือที่คล้ายกัน
- เขียนลงในตาราง จากนั้นป้อนข้อมูลเหล่านี้ลงในตารางแคช/ค้นหา
- ข้อมูลที่เพิ่มขึ้น: ไม่ต้องกังวลเรื่องค่าใช้จ่ายในการอนุมานมากนัก
- กลับหัว: มีแนวโน้มที่จะใช้โควต้าแบบกลุ่ม
- การกลับหัว: สามารถทำการคาดการณ์ข้อมูลหลังจากยืนยันได้ก่อนที่จะพุช
กระบวนทัศน์ของระบบ ML: การอนุมาน
การอนุมานแบบออฟไลน์
- ทำการคาดการณ์ที่เป็นไปได้ทั้งหมดเป็นกลุ่ม โดยใช้ Mapreduce หรือที่คล้ายกัน
- เขียนลงในตาราง จากนั้นป้อนข้อมูลเหล่านี้ลงในตารางแคช/ค้นหา
- ข้อมูลที่เพิ่มขึ้น: ไม่ต้องกังวลเรื่องค่าใช้จ่ายในการอนุมานมากนัก
- กลับหัว: มีแนวโน้มที่จะใช้โควต้าแบบกลุ่ม
- การกลับหัว: สามารถดำเนินการหลังการยืนยันสำหรับการคาดการณ์ข้อมูลก่อนส่ง
- ข้อเสีย: สามารถคาดการณ์ได้เฉพาะสิ่งที่เรารู้ ซึ่งไม่ดีต่อสิ่งยาวๆ
- ข้อเสีย: เวลาในการตอบสนองของการอัปเดตมักจะวัดเป็นชั่วโมงหรือวัน
กระบวนทัศน์ของระบบ ML: การอนุมาน
การอนุมานออนไลน์
- คาดการณ์ตามคำขอโดยใช้เซิร์ฟเวอร์
- กลับหัว: สามารถคาดการณ์รายการใหม่ที่เข้ามา เหมาะสำหรับการหาเสียงยาว
กระบวนทัศน์ของระบบ ML: การอนุมาน
การอนุมานออนไลน์
- คาดการณ์ตามคำขอโดยใช้เซิร์ฟเวอร์
- กลับหัว: สามารถคาดการณ์รายการใหม่ที่เข้ามา เหมาะสำหรับการหาเสียงยาว
- ข้อเสีย: การประมวลผลที่มาก มีความไวต่อเวลาในการตอบสนอง อาจจำกัดความซับซ้อนของโมเดล
- ข้อเสีย: ความจำเป็นในการตรวจสอบจะเข้มข้นขึ้น
สรุปการบรรยายผ่านวิดีโอ
ข้อดีและข้อเสียของการอนุมานแบบออฟไลน์มีดังนี้
- ผู้เชี่ยวชาญ: ไม่ต้องกังวลเรื่องค่าใช้จ่ายในการอนุมานมากนัก
- ข้อดี: อาจใช้โควต้าแบบกลุ่มหรือ MapReduce ขนาดใหญ่
- มือโปร: สามารถยืนยันการคาดการณ์ก่อนพุชได้
- ข้อเสีย: สามารถคาดเดาได้เฉพาะสิ่งที่เรารู้ ซึ่งไม่ดีสำหรับคำยาว
- ข้อเสีย: เวลาในการตอบสนองของการอัปเดตมักจะวัดเป็นชั่วโมงหรือวัน
ข้อดีและข้อเสียของการสรุปข้อมูลทางออนไลน์มีดังนี้
- มือโปร: สามารถคาดการณ์เกี่ยวกับไอเทมใหม่ๆ ที่เข้ามา เหมาะอย่างยิ่งกับในระยะยาว
- ข้อเสีย: การประมวลผลที่ใช้เวลาประมวลผลสูงและมีความละเอียดอ่อนต่อเวลาในการตอบสนองอาจจำกัดความซับซ้อนของโมเดล
- ข้อเสีย: ความต้องการในการตรวจสอบจะเข้มข้นมากขึ้น