Pelatihan Dinamis (Online)
Pelajari opsi di bawah ini.
Manakah dari pernyataan berikut yang benar tentang pelatihan dinamis (online)?
Model ini selalu diperbarui saat data baru tiba.
Ini adalah manfaat utama pelatihan online—kita dapat menghindari banyak masalah penghentian dengan mengizinkan model untuk melatih data baru begitu masuk.
Sangat sedikit pemantauan tugas pelatihan yang perlu dilakukan.
Sebenarnya, Anda harus terus memantau tugas pelatihan untuk memastikan bahwa tugas tersebut responsif dan berfungsi sebagaimana mestinya. Anda juga akan memerlukan infrastruktur pendukung seperti kemampuan untuk melakukan roll back model ke snapshot sebelumnya jika terjadi kesalahan dalam pelatihan, seperti tugas yang berisi bug atau kerusakan dalam data input.
Sangat sedikit pemantauan data input yang perlu dilakukan pada waktu inferensi.
Sama seperti model offline dan statis, pemantauan input terhadap model yang diperbarui secara dinamis juga penting. Kita mungkin tidak berisiko terkena efek musiman yang besar, tetapi perubahan besar yang tiba-tiba pada input (seperti sumber data upstream yang nonaktif) masih dapat menyebabkan prediksi yang tidak dapat diandalkan.
Pelatihan Statis (Offline)
Pelajari opsi di bawah ini.
Manakah dari pernyataan berikut yang benar tentang pelatihan statis (offline)?
Model ini selalu diperbarui saat data baru tiba.
Sebenarnya, jika kita melatih secara offline, model tidak memiliki cara untuk menggabungkan data baru saat data baru tiba. Hal ini dapat menyebabkan model menjadi usang, jika distribusi yang ingin kita pelajari terus berubah dari waktu ke waktu.
Anda dapat memverifikasi model sebelum menerapkannya dalam produksi.
Ya, pelatihan offline memberikan kesempatan yang cukup untuk memverifikasi performa model sebelum memperkenalkan model dalam produksi.
Pelatihan offline memerlukan lebih sedikit pemantauan tugas pelatihan daripada pelatihan online.
Secara umum, persyaratan pemantauan pada waktu pelatihan lebih rendah untuk pelatihan offline, sehingga mengisolasi kita dari banyak pertimbangan produksi. Namun, makin sering Anda melatih model, makin tinggi investasi yang harus Anda lakukan dalam pemantauan. Anda juga
perlu melakukan validasi secara rutin untuk memastikan perubahan pada kode
Anda (dan dependensinya) tidak berdampak buruk pada kualitas model.
Sangat sedikit pemantauan data input yang perlu dilakukan pada waktu inferensi.
Secara berlawanan, Anda perlu memantau data input pada waktu inferensi. Jika distribusi input berubah, prediksi model kita mungkin menjadi tidak dapat diandalkan. Bayangkan, misalnya, model yang hanya dilatih pada data pakaian musim panas tiba-tiba digunakan untuk memprediksi perilaku pembelian pakaian di musim dingin.