شما می توانید یکی از استراتژی های استنتاج زیر را انتخاب کنید:
استنتاج آفلاین ، به این معنی که همه پیشبینیهای ممکن را در یک دسته، با استفاده از MapReduce یا چیزی مشابه انجام میدهید. سپس پیشبینیها را در یک SSTable یا Bigtable مینویسید و سپس آنها را به یک جدول کش/جستجو ارسال میکنید.
استنتاج آنلاین ، به این معنی که شما بر حسب تقاضا، با استفاده از یک سرور پیش بینی می کنید.
در ویدیوی زیر (2 دقیقه) درباره استنتاج استاتیک در مقابل پویا بیشتر بدانید.
استنتاج استاتیک در مقابل پویا
پارادایم های سیستم ML: استنتاج
استنتاج آفلاین
تمام پیش بینی های ممکن را در یک دسته، با استفاده از یک نقشه کاهش یا مشابه انجام دهید.
روی یک جدول بنویسید، سپس آنها را به یک جدول کش/جستجو ارسال کنید.
استنباط آنلاین
پیش بینی در صورت تقاضا، با استفاده از یک سرور.
پارادایم های سیستم ML: استنتاج
استنتاج آفلاین
تمام پیش بینی های ممکن را در یک دسته، با استفاده از یک نقشه کاهش یا مشابه انجام دهید.
روی یک جدول بنویسید، سپس آنها را به یک جدول کش/جستجو ارسال کنید.
مثبت : نیازی به نگرانی زیادی در مورد هزینه استنتاج ندارید.
صعودی : احتمالاً می تواند از سهمیه دسته ای استفاده کند.
بالا : میتواند پیشبینیهای دادهها را قبل از فشار دادن پس از تأیید انجام دهد.
پارادایم های سیستم ML: استنتاج
استنتاج آفلاین
تمام پیش بینی های ممکن را در یک دسته، با استفاده از یک نقشه کاهش یا مشابه انجام دهید.
روی یک جدول بنویسید، سپس آنها را به یک جدول کش/جستجو ارسال کنید.
مثبت : نیازی به نگرانی زیادی در مورد هزینه استنتاج ندارید.
صعودی : احتمالاً می تواند از سهمیه دسته ای استفاده کند.
بالا : میتواند پیشبینیهای روی دادهها را قبل از فشار دادن، پس از تأیید انجام دهد.
جنبه منفی : فقط میتوانیم چیزهایی را که میدانیم پیشبینی کنیم - برای دم بلند بد است.
جنبه منفی : تاخیر بهروزرسانی احتمالاً در ساعت یا روز اندازهگیری میشود.
پارادایم های سیستم ML: استنتاج
استنباط آنلاین
پیش بینی در صورت تقاضا، با استفاده از یک سرور.
بالا : می تواند هر آیتم جدیدی را که وارد می شود پیش بینی کند - برای دم بلند عالی است.
پارادایم های سیستم ML: استنتاج
استنباط آنلاین
پیش بینی در صورت تقاضا، با استفاده از یک سرور.
بالا : می تواند هر آیتم جدیدی را که وارد می شود پیش بینی کند - برای دم بلند عالی است.
جنبه منفی : محاسبات فشرده، حساس به تأخیر - ممکن است پیچیدگی مدل را محدود کند.
جنبه منفی : نیازهای نظارتی فشرده تر هستند.
خلاصه سخنرانی ویدیویی
در اینجا مزایا و معایب استنتاج آفلاین وجود دارد:
طرفداری: نیازی نیست که در مورد هزینه استنتاج زیاد نگران باشید.
حرفه ای: احتمالاً می تواند از سهمیه دسته ای یا MapReduce غول پیکر استفاده کند.
حرفه ای: می تواند پیش بینی ها را قبل از فشار دادن پس از تأیید انجام دهد.
منفی: فقط می توانیم چیزهایی را که می دانیم پیش بینی کنیم - برای دم بلند بد است.
منفی: تاخیر بهروزرسانی احتمالاً بر حسب ساعت یا روز اندازهگیری میشود.
در اینجا مزایا و معایب استنتاج آنلاین آورده شده است:
حرفه ای: می تواند در مورد هر آیتم جدیدی که وارد می شود پیش بینی کند - برای دم بلند عالی است.
منفی: محاسبه فشرده، حساس به تأخیر - ممکن است پیچیدگی مدل را محدود کند.