동적 (온라인) 학습
아래 옵션을 살펴보세요.
다음 중 동적 (온라인) 학습에 대한 올바른 설명은 무엇인가요?
새 데이터가 입력되면 모델이 최신 상태로 유지됩니다.
이것이 온라인 학습의 주요 이점입니다. 새로 들어오는 데이터로 모델을 학습시킬 수 있어 다수의 비활성 문제를 방지할 수 있습니다.
학습 작업을 모니터링할 필요가 거의 없습니다.
실제로 학습 작업을 지속적으로 모니터링하여 의도한 대로 정상 작동하는지 확인해야 합니다. 또한 학습 중에 작업에 문제가 발생하거나 입력 데이터의 손상과 같은 문제가 발생할 경우 모델을 이전 스냅샷으로 롤백하는 등의 지원 인프라도 필요합니다.
추론 시 입력 데이터를 모니터링할 필요가 거의
없습니다.
정적 오프라인 모델과 마찬가지로 동적으로 업데이트된 모델에 대한 입력을 모니터링하는 것도 중요합니다. 계절성에 따른 영향이 커질 가능성은 없지만, 업스트림 데이터 소스의 중단과 같은 입력의 갑작스러운 큰 변화로 인해 예측의 신뢰도가 떨어질 수 있습니다.
정적 (오프라인) 학습
아래 옵션을 살펴보세요.
다음 중 정적 (오프라인) 학습에 대한 올바른 설명은 무엇인가요?
새 데이터가 입력되면 모델이 최신 상태로 유지됩니다.
실제로 오프라인으로 학습시키면 모델은 새로운 데이터가 도착하는 대로 통합할 방법이 없습니다. 학습하려는 분포가 시간이 지남에 따라 변화하는 경우 이로 인해 모델 비활성이 발생할 수 있습니다.
모델을 프로덕션에 적용하기 전에 검증할 수 있습니다.
예. 오프라인 학습은 모델을 프로덕션에 도입하기 전에
모델 성능을 확인할 수 있는 충분한 기회를 제공합니다.
오프라인 학습은 온라인 학습보다 학습 작업을 모니터링할 필요가 적습니다.
일반적으로 오프라인 학습의 경우에는 학습 시 모니터링 요구사항이 더 적기 때문에 프로덕션을 위한 여러 가지 고려사항이 없습니다. 그러나 모델을 자주 학습시킬수록 모니터링에 더 많은 투자를 해야 합니다. 또한 코드(및 종속 항목)의 변경사항이 모델 품질에 부정적인 영향을 미치지 않도록 정기적으로 검증하는 것이 좋습니다.
추론 시 입력 데이터를 모니터링할 필요가 거의
없습니다.
직관적이지 않을 수 있지만, 서빙 시 입력 데이터를 모니터링해야 합니다. 입력 분포가 변경되면 모델의 예측이 불안정해질 수 있습니다. 예를 들어 여름철 의류 데이터만
학습한 모델이 겨울철 의류 구매 행동을 예측하는 데
갑자기 사용되었다고 가정해 보겠습니다.