تدريب ديناميكي (على الإنترنت)
اطّلِع على الخيارات أدناه.
أي من العبارات التالية تنطبق على التدريب الديناميكي (على الإنترنت)؟
يظل النموذج محدثًا عند وصول البيانات الجديدة.
هذه هي الفائدة الأساسية للتدريب على الإنترنت، حيث يمكننا تجنُّب العديد من المشاكل المتعلّقة بالقِدم من خلال السماح للنموذج بالتدريب على البيانات الجديدة فور توفّرها.
ولا ينبغي القيام بالقليل جدًا من مراقبة وظائف التدريب.
في الواقع، يجب مراقبة وظائف التدريب باستمرار لضمان
أنّها سليمة وتعمل على النحو المنشود. ستحتاج أيضًا إلى بنية أساسية داعمة مثل إمكانية إعادة النموذج إلى نبذة سابقة في حال حدوث خطأ أثناء التدريب، مثل حدوث خطأ في عملية التدريب أو تلف في بيانات الإدخال.
وبالتالي، فإنّ عملية مراقبة البيانات المُدخلة قليلة جدًا
وقت الاستنتاج.
وتمامًا مثل أي نموذج ثابت بلا اتصال بالإنترنت، من المهم أيضًا مراقبة المدخلات في النماذج التي تم تعديلها ديناميكيًا. نحن
على الأرجح لسنا عرضة لخطر التأثيرات الموسمية الكبيرة، ولكن قد تؤدي التغييرات المفاجئة والكبيرة في المدخلات (مثل توقّف أحد مصادر البيانات الأولية) إلى ظهور توقعات غير موثوقة.
تدريب ثابت (بلا اتصال بالإنترنت)
اطّلِع على الخيارات أدناه.
أي من العبارات التالية صحيح بخصوص التدريب الثابت (بلا اتصال بالإنترنت)؟
يظل النموذج محدثًا عند وصول البيانات الجديدة.
في الواقع، إذا تم التدرّب بلا اتصال بالإنترنت، لن يتمكّن النموذج من دمج البيانات الجديدة عند وصولها. وقد يؤدي ذلك إلى تلف النموذج
إذا تغيّر التوزيع الذي نحاول أن نتعلمه من
بمرور الوقت.
ويمكنك التحقق من النموذج قبل تطبيقه في مرحلة الإنتاج.
نعم، يمنح التدريب بلا اتصال بالإنترنت فرصة كافية للتحقّق من أداء النموذج
قبل إدراج النموذج في عملية الإنتاج.
يتطلّب التدريب بلا إنترنت مراقبة أقل لوظائف التدريب
مقارنةً بالتدريب على الإنترنت.
بشكل عام، تكون متطلبات المراقبة في وقت التدريب أكثر تواضعًا
بالنسبة إلى التدريب بلا اتصال بالإنترنت، ما يعزلنا عن العديد من اعتبارات الإنتاج. ومع ذلك، كلما زاد معدّل تدريب النموذج،
ارتفع الاستثمار الذي ستحتاج إلى إجراءه في المراقبة. وننصحك أيضًا
بالتحقّق بانتظام من أنّ التغييرات التي يتم إجراؤها على الرمز
(وتبعياته) لا تؤثّر سلبًا في جودة النموذج.
وبالتالي، فإنّ عملية مراقبة البيانات المُدخلة قليلة جدًا
وقت الاستنتاج.
وفي المقابل، تحتاج إلى مراقبة البيانات التي يتم إدخالها أثناء وقت العرض. وإذا تغيّرت توزيعات الإدخالات، قد تصبح توقّعات نموذجنا غير موثوقة. تخيّل، على سبيل المثال، عارضة
تم تدريبها فقط على بيانات ملابس الصيف وتُستخدم فجأة لتوقّع سلوك شراء الملابس في فصل الشتاء.