정적 모델은 오프라인으로 학습됩니다. 즉, 모델을 한 번만 학습시키고
학습된 모델을 일정 기간 동안 사용합니다
동적 모델은 온라인으로 학습됩니다. 즉, 데이터가 지속적으로 시스템에 입력되며 지속적인 업데이트를 통해 해당 데이터를 모델에 통합합니다.
정적 학습과 동적 학습 비교
ML 시스템 패러다임: 학습
정적 모델 -- 오프라인으로 학습
ML 시스템 패러다임: 학습
정적 모델 -- 오프라인으로 학습
동적 모델 -- 온라인으로 학습
ML 시스템 패러다임: 학습
정적 모델 -- 오프라인으로 학습
빌드와 테스트가 용이함 -- 일괄 학습 및 테스트를 사용하고, 완료될 때까지 반복
동적 모델 -- 온라인으로 학습
ML 시스템 패러다임: 학습
정적 모델 -- 오프라인으로 학습
빌드와 테스트가 용이함 -- 일괄 학습 및 테스트를 사용하고, 완료될 때까지 반복
여전히 입력 모니터링 필요
동적 모델 -- 온라인으로 학습
ML 시스템 패러다임: 학습
정적 모델 -- 오프라인으로 학습
빌드와 테스트가 용이함 -- 일괄 학습 및 테스트를 사용하고, 완료될 때까지 반복
여전히 입력 모니터링 필요
노후화되기 쉬움
동적 모델 -- 온라인으로 학습
ML 시스템 패러다임: 학습
정적 모델 -- 오프라인으로 학습
빌드와 테스트가 용이함 -- 일괄 학습 및 테스트를 사용하고, 완료될 때까지 반복
여전히 입력 모니터링 필요
노후화되기 쉬움
동적 모델 -- 온라인으로 학습
지속적으로 학습 데이터를 입력하고 정기적으로 업데이트된 버전을 동기화합니다.
일괄 학습 및 테스트가 아닌 점진적 검증을 사용합니다.
ML 시스템 패러다임: 학습
정적 모델 -- 오프라인으로 학습
빌드와 테스트가 용이함 -- 일괄 학습 및 테스트를 사용하고, 완료될 때까지 반복
여전히 입력 모니터링 필요
노후화되기 쉬움
동적 모델 -- 온라인으로 학습
지속적으로 학습 데이터를 입력하고 정기적으로 업데이트된 버전을 동기화합니다.
일괄 학습 및 테스트가 아닌 점진적 검증 사용
모니터링, 모델 롤백, 데이터 격리 기능 필요
변화에 적응, 비활성 문제 방지
동영상 강의 요약
정적 학습과 동적 학습 중 무엇을 사용할지 결정하는 데 있어 주요 기준은 다음과 같습니다.
정적 모델은 빌드와 테스트가 더 쉽습니다.
동적 모델은 변화하는 데이터에 적응합니다.
세상은 매우 변화하기 쉬운 곳입니다. 작년 데이터로 작성된 판매 예측은 내년 결과를 제대로 예측하기 어렵습니다.
데이터 세트가 시간이 지나도 변하지 않는다면 동적 학습보다 생성 및 유지 비용이 저렴하므로 정적 학습을 선택하세요.
그러나 많은 정보 출처는 실제로 시간이 지남에 따라 변합니다. 예를 들어 해수면 등의 특성이 일정하다고
생각되는 정보라도 시간이 지나면서 변합니다.
따라서 정적 학습을 사용하더라도 입력 데이터의 변화를 계속 모니터링해야 합니다.
예를 들어 사용자가 꽃을 구매할 확률을 예측하도록 학습된
모델이 있다고 가정해 보겠습니다. 시간 압박으로 인해 이 모델은 7월과 8월의 꽃 구매 행동에 대한
데이터 세트를 사용하여 한 번만 학습됩니다.
그런 다음 프로덕션 환경에서 예측을 제공하도록 모델이 제공되지만 한 번도 업데이트되지 않습니다. 이 모델은 몇 달 동안은 제대로 작동하지만 밸런타인데이 전후로 사용자 행동이 급격하게 변하기 때문에 예측이 빗나가는 상황이 벌어집니다.
