Cuando implementes un modelo, empieza por lo simple. La mayor parte del trabajo en AA corresponde a los datos, por lo que ejecutar una canalización completa para un modelo complejo es más difícil que iterar el modelo en sí. Después de configurar tu canalización de datos y de implementar un modelo simple que use algunos atributos, puedes iterar para crear un modelo mejor.
Los modelos simples proporcionan un buen modelo de referencia, incluso si no los ejecutas. De hecho, usar un modelo simple probablemente sea mejor de lo que crees. Comenzar de manera simple te ayuda a determinar si un modelo complejo está justificado.
Entrena tu propio modelo en comparación con usar un modelo ya entrenado
Los modelos entrenados existen para una variedad de casos prácticos y ofrecen muchas ventajas. Sin embargo, los modelos entrenados solo funcionan cuando la etiqueta y los atributos coinciden con tu conjunto de datos con exactitud. Por ejemplo, si un modelo entrenado usa 25 atributos y tu conjunto de datos solo incluye 24, lo más probable es que el modelo entrenado haga predicciones erróneas.
Por lo general, los profesionales del AA usan subsecciones coincidentes de las entradas de un modelo entrenado para el ajuste o el aprendizaje por transferencia. Si no existe un modelo entrenado para tu caso de uso en particular, considera usar subsecciones de un modelo entrenado cuando entrenes el tuyo.
Para obtener más información sobre modelos entrenados, consulta
Supervisión
Durante la definición de problemas, considera la infraestructura de supervisión y alertas que necesita tu solución de AA.
Implementación del modelo
En algunos casos, un modelo recién entrenado podría ser peor que el que está en producción actualmente. Si es así, deberás evitar que se lance a producción y recibir una alerta de que tu implementación automatizada falló.
Desviación entre el entrenamiento y la entrega
Si alguno de los atributos entrantes que se usan para la inferencia tiene valores que están fuera del rango de distribución de los datos usados en el entrenamiento, querrás recibir una alerta porque es probable que el modelo haga predicciones deficientes. Por ejemplo, si tu modelo se entrenó para predecir las temperaturas de las ciudades ecuatoriales al nivel del mar, el sistema de deriva debería alertarte sobre los datos entrantes con latitudes y longitudes, o latitudes fuera del rango con el que se entrenó el modelo. Por el contrario, el sistema de entrega debería alertarte si el modelo realiza predicciones que están fuera del rango de distribución que se vio durante el entrenamiento.
Servidor de inferencia
Si proporcionas inferencias a través de un sistema de RPC, te recomendamos que supervises el servidor de RPC y que recibas una alerta si deja de proporcionar inferencias.