Formazione dinamica (online)
Esplora le opzioni riportate di seguito.
Quale delle seguenti affermazioni è vera per l'addestramento dinamico (online)?
Il modello rimane aggiornato man mano che arrivano nuovi dati.
Questo è il vantaggio principale dell'addestramento online: possiamo evitare molti problemi di inattività consentendo al modello di addestrarsi sui nuovi dati man mano che arrivano.
È necessario eseguire pochissimo monitoraggio dei job di addestramento.
In realtà, devi monitorare continuamente i job di addestramento per assicurarti che siano integri e funzionino come previsto. Avrai anche bisogno di un'infrastruttura di supporto, come la possibilità di eseguire il rollback di un modello a uno snapshot precedente in caso di problemi durante l'addestramento, ad esempio un job con bug o un danneggiamento dei dati di input.
Al momento dell'inferenza, non è necessario eseguire un monitoraggio molto ridotto dei dati di input.
Come un modello offline statico, è importante anche monitorare gli input dei modelli aggiornati dinamicamente. Probabilmente non siamo
a rischio di grandi effetti stagionali, ma cambiamenti
improvvisi e di grande entità agli input (ad esempio un'origine dati upstream che diminuisce
) possono comunque causare previsioni inaffidabili.
Addestramento statico (offline)
Esplora le opzioni riportate di seguito.
Quale delle seguenti affermazioni sull'addestramento statico (offline) è vera?
Il modello rimane aggiornato man mano che arrivano nuovi dati.
In realtà, se eseguiamo l'addestramento offline, il modello non ha modo di incorporare nuovi dati man mano che arrivano. Questo può portare all'inattività del modello se la distribuzione che stiamo cercando di imparare dalle modifiche cambia nel tempo.
Puoi verificare il modello prima di applicarlo in produzione.
Sì, l'addestramento offline offre un'ampia opportunità di verificare le prestazioni del modello prima di introdurlo in produzione.
La formazione offline richiede meno monitoraggio dei job di formazione rispetto alla formazione online.
In generale, i requisiti di monitoraggio durante l'addestramento sono più modesti per l'addestramento offline, il che ci esclude da molte considerazioni relative alla produzione. Tuttavia, più spesso addestra il modello, più elevato è l'investimento che dovrai fare nel monitoraggio. Ti consigliamo inoltre di eseguire regolarmente la convalida per assicurarti che le modifiche al codice (e alle sue dipendenze) non influiscano negativamente sulla qualità del modello.
Al momento dell'inferenza, non è necessario eseguire un monitoraggio molto ridotto dei dati di input.
In teoria, devi monitorare i dati di input al momento della pubblicazione. Se le distribuzioni di input cambiano, le previsioni del nostro modello potrebbero diventare inaffidabili. Immagina, ad esempio, un modello addestrato solo sui dati relativi all'abbigliamento estivo che venga improvvisamente utilizzato per prevedere il comportamento di acquisto di questi ultimi in inverno.