Cuando implementes un modelo, comienza con algo simple. La mayor parte del trabajo en el AA está en los datos por lo que ejecutar una canalización completa para un modelo complejo es más difícil que iterando en el modelo mismo. Después de configurar tu canalización de datos implementando un modelo simple que usa algunos atributos, puedes iterar en creando un mejor modelo.
Los modelos simples proporcionan un buen modelo de referencia, incluso si no los inicias. De hecho, usar un modelo simple probablemente sea mejor de lo que piensas. Comenzar por algo fácil ayuda a determinar si un modelo complejo está justificado.
Entrena tu propio modelo frente a usar uno ya entrenado
Los modelos entrenados existen para una variedad de casos de uso y ofrecen muchos algunas ventajas clave. Sin embargo, los modelos entrenados solo funcionan cuando la etiqueta y coinciden exactamente con tu conjunto de datos. Por ejemplo, si un modelo entrenado usa 25 atributos y tu conjunto de datos solo incluye 24 de ellos, el conjunto es probable que el modelo haga malas predicciones.
Por lo general, los profesionales del AA usan subsecciones coincidentes de entradas de un entrenado para el ajuste o el aprendizaje por transferencia. Si un modelo entrenado que no existe para tu caso de uso en particular, considera con subsecciones de un modelo entrenado cuando entrenas el tuyo.
Para obtener más información sobre los modelos entrenados, consulta
Supervisión
Durante la definición del problema, considere la infraestructura de supervisión y alertas las necesidades de la solución de AA.
Implementación del modelo
En algunos casos, un modelo recién entrenado puede ser peor que el modelo que se encuentra actualmente producción. Si es así, debes evitar que se publique en de producción y recibir una alerta que indique que falló la implementación automática.
Desviación entre el entrenamiento y la entrega
Si alguno de los atributos entrantes usados para inferencia tiene valores que están el rango de distribución de los datos usados en el entrenamiento, querrás es probable que el modelo haga predicciones deficientes. Por ejemplo, si tu se entrenó para predecir las temperaturas de las ciudades ecuatoriales a nivel del mar, entonces el sistema de entrega debe alertarte de 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 está haciendo predicciones que están fuera del rango de distribución que se vio durante capacitación.
Servidor de inferencia
Si proporcionas inferencias a través de un sistema de RPC, debes supervisar servidor de RPC y recibir una alerta si deja de proporcionar inferencias.