Szkolenie dynamiczne (online)
Zapoznaj się z poniższymi opcjami.
Które z tych stwierdzeń jest prawdziwe w odniesieniu do trenowania dynamicznego (online)?
Model jest aktualizowany w miarę napływania nowych danych.
To jest główna zaleta trenowania online – możemy uniknąć wielu problemów z brakiem aktualizacji, umożliwiając modelowi trenowanie na nowych danych na bieżąco.
Zadania trenowania muszą być monitorowane w bardzo niewielkim stopniu.
Musisz stale monitorować zadania trenowania, aby mieć pewność, że są prawidłowe i działają zgodnie z oczekiwaniami. Będzie też potrzebna infrastruktura pomocnicza, taka jak możliwość przywrócenia modelu do poprzedniego zrzutu na wypadek, gdyby podczas trenowania coś poszło nie tak (np. nieprawidłowe zadanie lub uszkodzenie danych wejściowych).
Dane wejściowe muszą być monitorowane w bardzo niewielkim stopniu w momencie wnioskowania.
Podobnie jak w przypadku statycznego modelu offline należy też monitorować dane wejściowe do dynamicznie aktualizowanych modeli. Prawdopodobnie nie jesteśmy zagrożeni dużymi wpływami sezonowymi, ale nagłe duże zmiany danych wejściowych (np. wyłączenie nadrzędnego źródła danych) nadal mogą powodować niemiarodajne prognozy.
Trenowanie statyczne (offline)
Zapoznaj się z poniższymi opcjami.
Które z tych stwierdzeń na temat trenowania statycznego (offline) jest prawdziwe?
Model jest aktualizowany w miarę napływania nowych danych.
Jeśli trenujemy offline, model nie jest w stanie uwzględniać nowych danych zaraz po ich otrzymaniu. Może to prowadzić do braku aktualizacji modelu, jeśli rozkład, którego próbujemy nauczyć się na podstawie zmian w czasie.
Możesz sprawdzić model, zanim zastosujesz go w środowisku produkcyjnym.
Tak. Trenowanie offline daje wiele możliwości sprawdzenia wydajności modelu przed wprowadzeniem go w środowisku produkcyjnym.
Trenowanie offline wymaga mniejszej liczby monitorowania zadań treningowych niż trenowanie online.
Ogólnie w przypadku trenowania offline wymagania dotyczące monitorowania podczas trenowania są bardziej restrykcyjne, co nie wymaga od nas wielu aspektów produkcyjnych. Jednak im częściej trenujesz model, tym więcej musisz zainwestować w monitorowanie. Musisz też regularnie weryfikować model, aby mieć pewność, że zmiany w kodzie (i jego zależnościach) nie wpływają negatywnie na jakość modelu.
Dane wejściowe muszą być monitorowane w bardzo niewielkim stopniu w momencie wnioskowania.
Wbrew pozorom jest konieczne monitorowanie danych wejściowych w momencie wyświetlania. Jeśli rozkłady wejściowe się zmienią, prognozy naszego modelu mogą stać się niewiarygodne. Załóżmy na przykład, że model wytrenowany tylko na podstawie danych dotyczących letniej odzieży jest nagle używany do przewidywania zachowań zakupowych zimą.