Secara garis besar, ada dua cara untuk melatih model:
Model statis dilatih secara offline. Artinya, kita melatih model tepat satu kali, lalu menggunakan model yang dilatih tersebut untuk sementara waktu.
Model dinamis dilatih secara online. Artinya, data terus-menerus masuk ke sistem dan kami menggabungkan data tersebut ke dalam model melalui update berkelanjutan.
Pelatihan Statis vs. Dinamis
Paradigma Sistem ML: Pelatihan
Model Statis -- Dilatih Secara Offline
Paradigma Sistem ML: Pelatihan
Model Statis -- Dilatih Secara Offline
Model Dinamis -- Dilatih Secara Online
Paradigma Sistem ML: Pelatihan
Model Statis -- Dilatih Secara Offline
Mudah dibangun dan diuji -- gunakan banyak pelatihan & pengujian, lakukan iterasi sampai hasilnya baik.
Model Dinamis -- Dilatih Secara Online
Paradigma Sistem ML: Pelatihan
Model Statis -- Dilatih Secara Offline
Mudah dibangun dan diuji -- gunakan banyak pelatihan & pengujian, lakukan iterasi sampai hasilnya baik.
Masih memerlukan pemantauan input
Model Dinamis -- Dilatih Secara Online
Paradigma Sistem ML: Pelatihan
Model Statis -- Dilatih Secara Offline
Mudah dibangun dan diuji -- gunakan banyak pelatihan & pengujian, lakukan iterasi sampai hasilnya baik.
Masih memerlukan pemantauan input
Mudah untuk membiarkan ini menjadi usang
Model Dinamis -- Dilatih Secara Online
Paradigma Sistem ML: Pelatihan
Model Statis -- Dilatih Secara Offline
Mudah dibangun dan diuji -- gunakan banyak pelatihan & pengujian, lakukan iterasi sampai hasilnya baik.
Masih memerlukan pemantauan input
Mudah untuk membiarkan ini menjadi usang
Model Dinamis -- Dilatih Secara Online
Terus memasukkan data pelatihan dari waktu ke waktu, secara rutin menyinkronkan versi yang diperbarui.
Gunakan validasi progresif, bukan banyak pelatihan & pengujian.
Paradigma Sistem ML: Pelatihan
Model Statis -- Dilatih Secara Offline
Mudah dibangun dan diuji -- gunakan banyak pelatihan & pengujian, lakukan iterasi sampai hasilnya baik.
Masih memerlukan pemantauan input
Mudah untuk membiarkan ini menjadi usang
Model Dinamis -- Dilatih Secara Online
Terus memasukkan data pelatihan dari waktu ke waktu, secara rutin menyinkronkan versi yang diperbarui.
Menggunakan validasi progresif, bukan banyak pelatihan & pengujian
Memerlukan kemampuan pemantauan, rollback model, dan karantina data
Akan beradaptasi dengan perubahan, terhindar dari masalah data usang
Ringkasan Perkuliahan Video
Secara garis besar, poin-poin berikut mendominasi keputusan pelatihan
statis vs. dinamis:
Model statis lebih mudah dibuat dan diuji.
Model dinamis beradaptasi terhadap perubahan data.
Dunia adalah tempat yang sangat mudah berubah. Prediksi penjualan yang dibuat berdasarkan data tahun lalu cenderung tidak akan berhasil memprediksi hasil tahun depan.
Jika set data Anda benar-benar tidak berubah dari waktu ke waktu, pilih pelatihan statis karena pembuatan dan pemeliharaannya lebih murah daripada pelatihan dinamis.
Namun, banyak sumber informasi yang benar-benar berubah seiring waktu, bahkan sumber informasi dengan fitur yang Anda anggap konstan seperti, katakanlah, permukaan laut.
Intinya: meski dengan pelatihan statis, Anda tetap harus memantau perubahan
pada data input.
Misalnya, pertimbangkan model yang dilatih untuk memprediksi probabilitas pengguna akan membeli bunga. Karena terbatasnya waktu, model ini hanya dilatih sekali menggunakan set data perilaku pembelian bunga selama bulan Juli dan Agustus.
Model ini kemudian dikirim untuk menampilkan prediksi dalam produksi, tetapi tidak pernah diperbarui. Model ini berfungsi dengan baik selama beberapa bulan, tetapi kemudian membuat prediksi buruk saat mendekati Hari Valentine karena perilaku pengguna selama periode liburan tersebut berubah secara drastis.
