Ogólnie rzecz biorąc, są 2 sposoby trenowania modelu:
Model statyczny jest trenowany offline. Oznacza to, że dokładnie trenujemy model,
a potem używamy go przez jakiś czas.
Model dynamiczny jest trenowany online. Oznacza to, że dane bez przerwy docierają do systemu i uwzględniamy je w modelu za pomocą ciągłych aktualizacji.
Trenowanie statyczne a dynamiczne
Paradygmaty systemu ML: szkolenie
Model statyczny – wytrenowany offline
Paradygmaty systemu ML: szkolenie
Model statyczny – wytrenowany offline
Model dynamiczny – szkolenie online
Paradygmaty systemu ML: szkolenie
Model statyczny – wytrenowany offline
Łatwe tworzenie i testowanie – korzystaj z treningu wsadowego i testowania, a potem powtarzaj aż do uzyskania dobrych wyników.
Model dynamiczny – szkolenie online
Paradygmaty systemu ML: szkolenie
Model statyczny – wytrenowany offline
Łatwe tworzenie i testowanie – korzystaj z treningu wsadowego i testowania, a potem powtarzaj aż do uzyskania dobrych wyników.
Nadal wymaga monitorowania danych wejściowych
Model dynamiczny – szkolenie online
Paradygmaty systemu ML: szkolenie
Model statyczny – wytrenowany offline
Łatwe tworzenie i testowanie – korzystaj z treningu wsadowego i testowania, a potem powtarzaj aż do uzyskania dobrych wyników.
Nadal wymaga monitorowania danych wejściowych
Dzięki temu łatwiej zniechęcić użytkowników
Model dynamiczny – szkolenie online
Paradygmaty systemu ML: szkolenie
Model statyczny – wytrenowany offline
Łatwe tworzenie i testowanie – korzystaj z treningu wsadowego i testowania, a potem powtarzaj aż do uzyskania dobrych wyników.
Nadal wymaga monitorowania danych wejściowych
Dzięki temu łatwiej zniechęcić użytkowników
Model dynamiczny – szkolenie online
Nadal dodawaj dane treningowe do pliku danych i regularnie synchronizuj jego zaktualizowaną wersję.
Używaj progresywnej walidacji zamiast trenowania i testowania wsadowego.
Paradygmaty systemu ML: szkolenie
Model statyczny – wytrenowany offline
Łatwe tworzenie i testowanie – korzystaj z treningu wsadowego i testowania, a potem powtarzaj aż do uzyskania dobrych wyników.
Nadal wymaga monitorowania danych wejściowych
Dzięki temu łatwiej zniechęcić użytkowników
Model dynamiczny – szkolenie online
Nadal dodawaj dane treningowe do pliku danych i regularnie synchronizuj jego zaktualizowaną wersję.
Używaj progresywnej walidacji zamiast trenowania i testowania wsadowego
Wymaga monitorowania, przywracania modelu i kwarantanny danych
Dostosuje się do zmian, uniknąć problemów z brakiem aktualizacji
Podsumowanie wykładu wideo
Ogólnie rzecz biorąc, o decyzji statycznej i dynamicznej do trenowania dominują te kwestie:
Modele statyczne łatwiej jest tworzyć i testować.
Modele dynamiczne dostosowują się do zmieniających się danych.
Świat w dużym stopniu zmienia się. Prognozy dotyczące sprzedaży utworzone na podstawie danych z zeszłorocznego roku raczej nie przewidują wyników w przyszłym roku.
Jeśli Twój zbiór danych naprawdę się nie zmienia z czasem, wybierz trenowanie statyczne, ponieważ jest tańsze w utworzeniu i utrzymaniu niż trenowanie dynamiczne.
Jednak wiele źródeł informacji z czasem zmienia się, nawet te, których cechy wydają się być takie same jak poziom morza.
Zasady moralne: nawet przy trenowaniu statycznym musisz monitorować dane wejściowe pod kątem zmian.
Weźmy na przykład model wytrenowany do prognozowania prawdopodobieństwa, że użytkownicy kupią kwiaty. Ze względu na presję czasu model jest trenowany tylko raz z wykorzystaniem zbioru danych dotyczących zakupów kwiatów w lipcu i sierpniu.
Następnie model jest wysyłany do obsługi prognoz w środowisku produkcyjnym, ale nigdy nie jest aktualizowany. Model działa prawidłowo przez kilka miesięcy, ale generuje groźne prognozy w okolicach walentynek, ponieważ zachowania użytkowników w tym okresie świątecznym znacznie się zmieniają.