Dynamische (Online-)Schulung
Sehen Sie sich die folgenden Optionen an.
Welche der folgenden Aussagen trifft auf dynamisches Onlinetraining zu?
Das Modell bleibt auf dem neuesten Stand, wenn neue Daten eingehen.
Dies ist der Hauptvorteil des Onlinetrainings – wir können viele Probleme mit Veralterung vermeiden, indem wir das Modell mit neuen Daten trainieren lassen, sobald sie eingehen.
Es muss nur sehr wenig Überwachung von Trainingsjobs durchgeführt werden.
Tatsächlich müssen Sie Trainingsjobs kontinuierlich überwachen, damit sie fehlerfrei sind und wie vorgesehen funktionieren. Außerdem benötigen Sie eine unterstützende Infrastruktur, z. B. die Möglichkeit, ein Modell auf einen vorherigen Snapshot zurückzusetzen, falls beim Training ein Fehler auftritt, z. B. ein fehlerhafter Job oder eine Beschädigung der Eingabedaten.
Zur Inferenzzeit muss nur sehr wenig Überwachung der Eingabedaten durchgeführt werden.
Genau wie bei einem statischen Offlinemodell ist es auch wichtig, die Eingaben für die dynamisch aktualisierten Modelle zu überwachen. Es besteht wahrscheinlich kein Risiko großer saisonaler Auswirkungen, aber plötzliche große Änderungen an Eingaben (z. B. eine vorgelagerte Datenquelle, die ausfällt) können trotzdem zu unzuverlässigen Vorhersagen führen.
Statisches (Offline-)Training
Sehen Sie sich die folgenden Optionen an.
Welche der folgenden Aussagen treffen auf statisches (Offline-)Training zu?
Das Modell bleibt auf dem neuesten Stand, wenn neue Daten eingehen.
Wenn das Modell offline trainiert wird, hat das Modell tatsächlich keine Möglichkeit, neue Daten einzubinden, sobald sie eintreffen. Dies kann zu veralteten Modellen führen, wenn sich die Verteilung, von der wir lernen möchten, im Laufe der Zeit ändert.
Sie können das Modell prüfen, bevor Sie es in der Produktion anwenden.
Ja, das Offlinetraining bietet reichlich Gelegenheit, die Modellleistung zu überprüfen, bevor das Modell in der Produktion eingeführt wird.
Offline-Training erfordert weniger Überwachung von Trainingsjobs als Online-Training.
Im Allgemeinen sind die Anforderungen an das Monitoring zum Trainingszeitpunkt für Offline-Trainings geringer, sodass wir nicht viele Aspekte der Produktion berücksichtigen müssen. Je häufiger Sie Ihr Modell jedoch trainieren, desto höher müssen Sie in das Monitoring investieren. Außerdem sollten Sie regelmäßig prüfen, ob sich Änderungen an Ihrem Code (und seinen Abhängigkeiten) nicht negativ auf die Modellqualität auswirken.
Zur Inferenzzeit muss nur sehr wenig Überwachung der Eingabedaten durchgeführt werden.
Anders gesagt müssen Sie Eingabedaten zum Zeitpunkt der Bereitstellung überwachen. Wenn sich die Eingabeverteilungen ändern, können die Vorhersagen unseres Modells unzuverlässig werden. Stellen Sie sich zum Beispiel ein Modell vor, das nur mit Daten zu Sommerkleidung trainiert wurde, um das Kaufverhalten von Bekleidung im Winter vorherzusagen.