動態 (線上) 訓練
請參考下列選項。
以下有關動態 (線上) 訓練的敘述何者正確？
模型會在收到新資料時保持最新狀態。
這是線上訓練的主要優點。我們可以讓模型在出現新資料時進行訓練，進而避免許多過時的問題。
訓練工作幾乎不需要監控。
實際上，您必須持續監控訓練工作，以確保工作健康狀態良好且正常運作。此外，您也必須支援基礎架構，例如能將模型復原為先前的快照，以防訓練過程發生問題 (例如發生錯誤的工作或輸入資料毀損)。
在推論期間不太監控輸入資料。
如同靜態的離線模型，監控動態更新模型的輸入內容也相當重要。我們不太可能受到大規模的季節性影響，但突然發生大幅度的輸入內容異動 (例如上游資料來源下降) 仍可能導致預測不準確。
靜態 (離線) 訓練
請參考下列選項。
以下有關靜態 (離線) 訓練的敘述何者正確？
模型會在收到新資料時保持最新狀態。
事實上，如果我們離線進行訓練，模型就無法在收到新資料時加入新資料。若嘗試從長期變化中學習的分佈情形，這可能會導致模型過時。
您可以先驗證模型，再將模型套用至實際工作環境。
是的，在實際工作環境中導入模型前，離線訓練有很多機會讓您先驗證模型成效。
與線上訓練相比，離線訓練對訓練工作的監控較少。
一般來說，訓練期間的監控要求較適合離線訓練，這可以讓我們從許多實際工作環境的考量中抽離出來。然而，模型訓練頻率越高，需要的監控成本就越高。此外，建議您定期進行驗證，確保程式碼 (及其依附元件) 的變更不會影響模型品質。
在推論期間不太監控輸入資料。
您在提供內容時必須監控輸入資料。如果輸入分佈情形發生變化，模型預測結果可能會變得不穩定。舉例來說，某個模型僅依據夏季服飾資料進行訓練，但突然用來預測冬季服飾的購買行為。