Khi triển khai mô hình, hãy bắt đầu từ việc đơn giản. Hầu hết công việc trong công nghệ học máy đều diễn ra ở phía dữ liệu, vì vậy, việc chạy một quy trình đầy đủ cho một mô hình phức tạp sẽ khó hơn so với việc lặp lại trên chính mô hình đó. Sau khi thiết lập quy trình dữ liệu và triển khai một mô hình đơn giản sử dụng một vài tính năng, bạn có thể lặp lại quy trình tạo một mô hình tốt hơn.
Các mô hình đơn giản là một cơ sở tốt, ngay cả khi bạn không ra mắt các mô hình đó. Trên thực tế, việc sử dụng một mô hình đơn giản có thể tốt hơn bạn nghĩ. Việc bắt đầu từ đơn giản sẽ giúp bạn xác định xem một mô hình phức tạp có hợp lý hay không.
Huấn luyện mô hình của riêng bạn thay vì sử dụng mô hình đã được huấn luyện
Các mô hình được huấn luyện có thể dùng cho nhiều trường hợp sử dụng và có nhiều ưu điểm. Tuy nhiên, các mô hình đã huấn luyện chỉ thực sự hoạt động khi nhãn và các tính năng khớp chính xác với tập dữ liệu của bạn. Ví dụ: nếu một mô hình được huấn luyện sử dụng 25 tính năng và tập dữ liệu của bạn chỉ bao gồm 24 tính năng trong số đó, thì mô hình được huấn luyện rất có thể sẽ đưa ra các dự đoán không chính xác.
Thông thường, các chuyên viên học máy sử dụng các phần phụ phù hợp của dữ liệu đầu vào từ một mô hình đã qua đào tạo để tinh chỉnh hoặc học chuyển giao. Nếu không có một mô hình đã huấn luyện cho trường hợp sử dụng cụ thể của bạn, hãy cân nhắc sử dụng các phần phụ trong mô hình đã huấn luyện khi tự huấn luyện.
Để biết thông tin về các mô hình được huấn luyện, hãy xem
Giám sát
Trong quá trình xác định khung hình cho sự cố, hãy cân nhắc cơ sở hạ tầng giám sát và cảnh báo mà giải pháp học máy của bạn cần.
Triển khai mô hình
Trong một số trường hợp, mô hình mới được huấn luyện có thể tệ hơn mô hình hiện đang được phát hành công khai. Nếu có, bạn cần ngăn không cho ứng dụng đó phát hành công khai và nhận cảnh báo cho biết quá trình triển khai tự động không thành công.
Xu hướng phân phát quảng cáo đào tạo
Nếu bất kỳ tính năng sắp tới nào dùng để dự đoán có giá trị nằm ngoài phạm vi phân phối dữ liệu dùng trong quá trình huấn luyện, thì bạn sẽ cần nhận thông báo vì có khả năng mô hình này sẽ đưa ra các dự đoán kém. Ví dụ: nếu mô hình của bạn được huấn luyện để dự đoán nhiệt độ cho các thành phố ở xích đạo ở mực nước biển, thì hệ thống phân phát sẽ cảnh báo cho bạn dữ liệu đến có vĩ độ và kinh độ và/hoặc độ cao ngoài phạm vi mà mô hình được huấn luyện. Ngược lại, hệ thống phân phát sẽ cảnh báo bạn nếu mô hình đang đưa ra các dự đoán nằm ngoài phạm vi phân phối được nhìn thấy trong quá trình huấn luyện.
Máy chủ suy luận
Nếu đang cung cấp thông tin dự đoán thông qua hệ thống RPC, thì bạn cần theo dõi chính máy chủ RPC và nhận cảnh báo nếu máy chủ đó ngừng đưa ra kết luận.