अनुमान लगाने के लिए, इनमें से कोई भी रणनीति चुनी जा सकती है:
ऑफ़लाइन अनुमान, इसका मतलब है कि आप MapReduce या इससे मिलते-जुलते प्रॉडक्ट का इस्तेमाल करके, एक ही बैच में सभी संभावित अनुमान लगाते हैं. इसके बाद, किसी SSTable या Bigtable पर
अनुमान लिखें और फिर इन्हें कैश/लुक-अप टेबल में फ़ीड करें.
ऑनलाइन अनुमान का मतलब है कि सर्वर का इस्तेमाल करके, मांग पर अनुमान लगाया जा सकता है.
नीचे दिए गए वीडियो (दो मिनट) में, स्टैटिक बनाम डाइनैमिक अनुमान के बारे में ज़्यादा जानें.
स्टैटिक बनाम डाइनैमिक अनुमान
मशीन लर्निंग सिस्टम के मॉडल: अनुमान
ऑफ़लाइन अनुमान
Mapreduce या इससे मिलते-जुलते विकल्प का इस्तेमाल करके, बैच में सभी संभावित अनुमान लगाएं.
किसी टेबल में लिखें, फिर इन्हें कैश/लुक-अप टेबल में फ़ीड करें.
ऑनलाइन अनुमान
सर्वर का इस्तेमाल करके, मांग पर अनुमान लगाना.
मशीन लर्निंग सिस्टम के मॉडल: अनुमान
ऑफ़लाइन अनुमान
Mapreduce या इससे मिलते-जुलते विकल्प का इस्तेमाल करके, बैच में सभी संभावित अनुमान लगाएं.
किसी टेबल में लिखें, फिर इन्हें कैश/लुक-अप टेबल में फ़ीड करें.
उल्टी कीमत: अनुमान की लागत के बारे में ज़्यादा चिंता करने की ज़रूरत नहीं है.
उल्टी: हो सकता है कि बैच कोटा इस्तेमाल किया जा रहा हो.
अपसाइड: पुश करने से पहले, डेटा के अनुमानों की पुष्टि करने के बाद किया जा सकता है.
मशीन लर्निंग सिस्टम के मॉडल: अनुमान
ऑफ़लाइन अनुमान
Mapreduce या इससे मिलते-जुलते विकल्प का इस्तेमाल करके, बैच में सभी संभावित अनुमान लगाएं.
किसी टेबल में लिखें, फिर इन्हें कैश/लुक-अप टेबल में फ़ीड करें.
उल्टी कीमत: अनुमान की लागत के बारे में ज़्यादा चिंता करने की ज़रूरत नहीं है.
उल्टी: हो सकता है कि बैच कोटा इस्तेमाल किया जा रहा हो.
अपसाइड: पुश करने से पहले, डेटा के अनुमान की पुष्टि की जा सकती है.
डाउनसाइड: सिर्फ़ उन चीज़ों का अनुमान लगा सकता है जिनके बारे में हमें पता है -- लंबे समय के लिए गलत.
डाउनसाइड: अपडेट होने में लगने वाला समय, घंटों या दिनों में मापा जा सकता है.
मशीन लर्निंग सिस्टम के मॉडल: अनुमान
ऑनलाइन अनुमान
सर्वर का इस्तेमाल करके, मांग पर अनुमान लगाना.
उल्टी: किसी भी नए आइटम के आने पर उसका अनुमान लगा सकते हैं -- लंबे समय के लिए बढ़िया.
मशीन लर्निंग सिस्टम के मॉडल: अनुमान
ऑनलाइन अनुमान
सर्वर का इस्तेमाल करके, मांग पर अनुमान लगाना.
उल्टी: किसी भी नए आइटम के आने पर उसका अनुमान लगा सकते हैं -- लंबे समय के लिए बढ़िया.
डाउनसाइड: इंटेंसिव और लेटेंसी संवेदनशील जानकारी कंप्यूट करें -- इससे मॉडल की जटिलता पर असर पड़ सकता है.
समस्या को हल करने के लिए: निगरानी करने की ज़रूरतें बहुत ज़्यादा होती हैं.
वीडियो लेक्चर की खास जानकारी
ऑफ़लाइन अनुमान के फ़ायदे और नुकसान यहां दिए गए हैं:
प्रो: अनुमान की लागत के बारे में ज़्यादा चिंता करने की ज़रूरत नहीं है.
Pro: बैच कोटा या किसी बड़े Mapआसानी से मैप का इस्तेमाल किया जा सकता है.
Pro: पुश करने से पहले, सुझावों की पुष्टि करने के बाद किया जा सकता है.
खराब: सिर्फ़ उन चीज़ों का अनुमान लगाया जा सकता है जिनके बारे में हमें जानकारी है. यह ज़्यादा जानकारी के लिए गलत है.
नुकसान: अपडेट के इंतज़ार का समय कई घंटों या दिनों में मापा जा सकता है.
ऑनलाइन अनुमान के फ़ायदे और नुकसान यहां दिए गए हैं:
प्रो: किसी भी नए आइटम के आने पर उसके बारे में अनुमान लगा सकते हैं — लंबे समय के लिए बढ़िया.
सटीक: इंटेंसिव, इंतज़ार के समय को संवेदनशील बनाने वाली गणना से—मॉडल की जटिलता को सीमित किया जा सकता है.
नुकसान: निगरानी करने की ज़रूरतें ज़्यादा गंभीर हो जाती हैं.
