Zacznij od łatwego wdrażania modelu. Większość pracy w systemach uczących się polega na danych dlatego uruchomienie pełnego potoku dla złożonego modelu jest trudniejsze niż na samym modelu. Po skonfigurowaniu potoku danych Gdy wdrożysz prosty model, który korzysta z kilku funkcji, możesz wielokrotnie w celu stworzenia lepszego modelu.
Proste modele stanowią dobrą bazę, nawet jeśli ostatecznie nie zostaną uruchomione. W rzeczywistości użycie prostego modelu jest prawdopodobnie lepsze, niż Ci się wydaje. Podstawowe informacje pomaga określić, czy złożony model jest w ogóle uzasadniony.
Wytrenuj własny model zamiast przy użyciu już wytrenowanego modelu
Wytrenowane modele mają wiele zastosowań i mają wiele zastosowań korzyści. Wytrenowane modele działają jednak tylko wtedy, gdy dopasowują się dokładnie do Twojego zbioru danych. Jeśli na przykład wytrenowany model korzysta z 25 funkcji, a zbiór danych zawiera tylko 24, a model najprawdopodobniej uzyska złe prognozy.
Specjaliści ds. systemów uczących się zwykle używają pasujących podsekcji danych wejściowych z wytrenowanego modelu do dostrajania lub transferu uczenia się. Jeśli wytrenowany model dla konkretnego przypadku użycia, rozważ za pomocą podsekcji z wytrenowanego modelu.
Informacje o wytrenowanych modelach znajdziesz tutaj
Monitorowanie
Podczas kadrowania problemów weź pod uwagę infrastrukturę monitorowania i alertów Potrzeby w zakresie systemów uczących się.
Wdrażanie modelu
W niektórych przypadkach nowo wytrenowany model może być gorszy niż model obecnie używany produkcji. Jeśli tak, należy zapobiec udostępnianiu go w środowisku produkcyjnym i wyświetli alert o niepowodzeniu automatycznego wdrożenia.
Zniekształcenie między trenowaniem a zastosowaniem praktycznym
Jeśli którakolwiek z funkcji przychodzących używanych do wnioskowania ma wartości, które wykraczają poza zakres dystrybucji danych używanych podczas trenowania, otrzymasz alert, ponieważ prawdopodobnie model będzie mieć złe prognozy. Jeśli na przykład plik model został wytrenowany do prognozowania temperatur w miastach równikowych na poziomie morza, system obsługi i obsługa danych powinien Cię powiadamiać o przychodzących danych zawierających długości lub wysokości poza zakresem, na którym był trenowany model. I na odwrót, system obsługi powinien Cię ostrzec, jeśli model prognozy wykraczające poza zakres rozkładu zaobserwowanego w okresie i szkoleniem.
Serwer wnioskowania
Jeśli udostępniasz wnioskowania za pomocą systemu RPC, warto monitorować sam serwer RPC i otrzyma alert, gdy przestanie oferować wnioskowanie.