In generale, esistono due modi per addestrare un modello:
Un modello statico viene addestrato offline. In altre parole, addestriamo il modello una volta sola
e lo usiamo per un po'.
Un modello dinamico viene addestrato online. Ciò significa che i dati entrano continuamente
nel sistema e li incorporiamo nel modello tramite
aggiornamenti continui.
Addestramento statico e dinamico
Paradigmi dei sistemi ML: formazione
Modello statico - Addestrato offline
Paradigmi dei sistemi ML: formazione
Modello statico - Addestrato offline
Modello dinamico - Addestrato online
Paradigmi dei sistemi ML: formazione
Modello statico - Addestrato offline
Facile da creare e testare: usa l'addestramento e il test in batch e l'iterazione fino a quando non avrai risultati ottimali.
Modello dinamico - Addestrato online
Paradigmi dei sistemi ML: formazione
Modello statico - Addestrato offline
Facile da creare e testare: usa l'addestramento e il test in batch e l'iterazione fino a quando non avrai risultati ottimali.
Richiede ancora il monitoraggio degli input
Modello dinamico - Addestrato online
Paradigmi dei sistemi ML: formazione
Modello statico - Addestrato offline
Facile da creare e testare: usa l'addestramento e il test in batch e l'iterazione fino a quando non avrai risultati ottimali.
Richiede ancora il monitoraggio degli input
È facile impostare questa funzionalità
Modello dinamico - Addestrato online
Paradigmi dei sistemi ML: formazione
Modello statico - Addestrato offline
Facile da creare e testare: usa l'addestramento e il test in batch e l'iterazione fino a quando non avrai risultati ottimali.
Richiede ancora il monitoraggio degli input
È facile impostare questa funzionalità
Modello dinamico - Addestrato online
Continua a alimentare i dati di addestramento nel tempo, sincronizza regolarmente la versione aggiornata.
Utilizza la convalida progressiva anziché l'addestramento e il test in batch.
Paradigmi dei sistemi ML: formazione
Modello statico - Addestrato offline
Facile da creare e testare: usa l'addestramento e il test in batch e l'iterazione fino a quando non avrai risultati ottimali.
Richiede ancora il monitoraggio degli input
È facile impostare questa funzionalità
Modello dinamico - Addestrato online
Continua a alimentare i dati di addestramento nel tempo, sincronizza regolarmente la versione aggiornata.
Utilizza la convalida progressiva anziché l'addestramento e il test batch
Richiede funzionalità di monitoraggio, rollback del modello e quarantena dei dati
Si adatta ai cambiamenti ed evita i problemi di obsolescenza
Riepilogo delle lezioni video
In generale, i seguenti punti dominano la decisione di addestramento statico e dinamico:
I modelli statici sono più facili da creare e testare.
I modelli dinamici si adattano ai dati che cambiano.
Il mondo è un posto altamente mutevole. È improbabile che le previsioni di vendita basate sui dati dell'anno scorso prevedano correttamente i risultati dell'anno prossimo.
Se il set di dati non cambia nel tempo, scegli l'addestramento statico perché è più economico da creare e gestire rispetto all'addestramento dinamico.
Tuttavia, molte fonti di informazioni cambiano nel corso del tempo,
anche quelle con caratteristiche che ritieni costanti, ad esempio il livello del mare.
Morale: anche con l'addestramento statico, devi comunque monitorare i cambiamenti dei dati di input.
Ad esempio, considera un modello addestrato per prevedere la probabilità
che gli utenti acquistino fiori. Data la pressione del tempo, il modello viene addestrato una sola volta
utilizzando un set di dati sul comportamento di acquisto dei fiori nei mesi di luglio e agosto.
Il modello viene quindi spedito per fornire le previsioni in produzione, ma non viene mai aggiornato. Il modello funziona bene per diversi mesi, ma poi fa previsioni pessimi per San Valentino perché il comportamento degli utenti durante questo periodo delle festività cambia drasticamente.
