静态训练与动态训练:检查您的理解情况

动态(在线)训练

了解以下选项。

以下关于动态(在线)训练的表述中,哪一项是正确的?
模型会在收到新数据时进行更新。
这是在线训练的主要优势 - 我们允许模型在新数据加入时进行训练,从而避免许多过时问题。
几乎不需要对训练作业进行监控。
实际上,您必须持续监控训练作业,以确保它们运行状况良好并按预期运行。您还需要辅助基础架构,例如能够在训练出现问题(例如有 bug 的作业或输入数据损坏)时将模型回滚到之前的快照。
在推断时几乎不需要监控输入数据。
与静态的离线模型一样,监控动态更新模型的输入也很重要。我们可能不会面临较大的季节性影响带来的风险,但输入的突然大幅变化(例如上游数据源宕机)仍可能会导致预测不可靠。

静态(离线)训练

了解以下选项。

以下关于静态(离线)训练的表述中,哪些是正确的?
模型会在收到新数据时进行更新。
实际上,如果我们采用离线训练方式,模型无法在收到新数据时进行整合。如果我们尝试从中学习的分布会随时间而变化,则可能会导致模型过时。
您可以先验证模型,然后再将其应用到生产环境。
是的,离线训练提供了充足的机会来验证模型性能,然后再将模型引入到生产环境中。
与在线训练相比,离线训练对训练作业的监控较少。
一般来说,离线训练在训练时的监控要求相对适中,这使我们无需考虑许多生产因素。但是,您训练模型的频率越高,需要在监控方面投入的资金就越多。您还需要定期验证,以确保对代码(及其依赖项)的更改不会对模型质量产生不利影响。
在推断时几乎不需要监控输入数据。
与直觉相反,您需要在应用时监控输入数据。如果输入分布发生变化,模型的预测可能会变得不可靠。例如,假设某个模型仅对夏季服装数据进行了训练,然后突然被用来预测冬季的服装购买行为。