Saat menerapkan model, mulailah dengan cara yang sederhana. Sebagian besar pekerjaan di ML terjadi pada sisi data, sehingga mendapatkan pipeline penuh yang berjalan untuk model kompleks lebih sulit daripada melakukan iterasi pada model itu sendiri. Setelah menyiapkan pipeline data dan menerapkan model sederhana yang menggunakan beberapa fitur, Anda dapat melakukan iterasi pembuatan model yang lebih baik.
Model sederhana memberikan dasar yang baik, meskipun jika Anda akhirnya tidak meluncurkannya. Bahkan, menggunakan model sederhana mungkin lebih baik dari yang Anda pikirkan. Memulai dengan langkah sederhana akan membantu Anda menentukan apakah model yang kompleks dapat dibenarkan atau tidak.
Latih model Anda sendiri versus gunakan model yang sudah dilatih
Model terlatih tersedia untuk berbagai kasus penggunaan dan menawarkan banyak keuntungan. Namun, model terlatih hanya berfungsi jika label dan fitur sangat cocok dengan set data Anda. Misalnya, jika model terlatih menggunakan 25 fitur dan set data Anda hanya menyertakan 24 fitur, model yang dilatih kemungkinan besar akan membuat prediksi yang buruk.
Umumnya, praktisi ML menggunakan subbagian input yang cocok dari model terlatih untuk melakukan fine-tuning atau transfer learning. Jika model yang dilatih tidak ada untuk kasus penggunaan khusus Anda, pertimbangkan untuk menggunakan subbagian dari model terlatih saat melatih model Anda sendiri.
Untuk informasi tentang model terlatih, lihat
Monitoring
Selama pembuatan masalah, pertimbangkan infrastruktur pemantauan dan peringatan yang dibutuhkan oleh solusi ML Anda.
Deployment model
Dalam beberapa kasus, model yang baru dilatih mungkin lebih buruk daripada model yang sedang dalam produksi. Jika ya, Anda dapat mencegahnya dirilis ke tahap produksi dan mendapatkan peringatan bahwa deployment otomatis Anda gagal.
Kecenderungan penayangan pelatihan
Jika salah satu fitur masuk yang digunakan untuk inferensi memiliki nilai yang berada di luar rentang distribusi data yang digunakan dalam pelatihan, Anda perlu diingatkan karena kemungkinan model akan membuat prediksi yang buruk. Misalnya, jika model Anda dilatih untuk memprediksi suhu kota khatulistiwa di permukaan laut, sistem penyajian akan memperingatkan Anda tentang data yang masuk beserta garis lintang dan garis bujur, dan/atau ketinggian di luar rentang yang digunakan untuk melatih model. Sebaliknya, sistem inferensi akan memberi tahu Anda jika model membuat prediksi yang berada di luar rentang distribusi yang terlihat selama pelatihan.
Server inferensi
Jika memberikan inferensi melalui sistem RPC, Anda dapat memantau server RPC itu sendiri dan mendapatkan pemberitahuan jika server berhenti memberikan inferensi.