هنگام پیاده سازی یک مدل، ساده شروع کنید. بیشتر کار در ML در سمت داده است، بنابراین اجرای یک خط لوله کامل برای یک مدل پیچیده دشوارتر از تکرار در خود مدل است. پس از راه اندازی خط لوله داده خود و اجرای یک مدل ساده که از چند ویژگی استفاده می کند، می توانید روی ایجاد یک مدل بهتر تکرار کنید.
مدل های ساده پایه خوبی را ارائه می دهند، حتی اگر در نهایت آنها را راه اندازی نکنید. در واقع، استفاده از یک مدل ساده احتمالا بهتر از آن چیزی است که فکر می کنید. شروع ساده به شما کمک می کند تا تعیین کنید که آیا یک مدل پیچیده حتی موجه است یا خیر.
مدل خود را در مقابل استفاده از یک مدل از پیش آموزش دیده آموزش دهید
بسیاری از مدل های از پیش آموزش دیده برای انواع موارد استفاده وجود دارد و مزایای بسیاری را ارائه می دهد. با این حال، مدل‌های از پیش آموزش‌دیده تنها زمانی واقعاً کار می‌کنند که برچسب و ویژگی‌ها دقیقاً با مجموعه داده شما مطابقت داشته باشند. به عنوان مثال، اگر یک مدل از قبل آموزش دیده از 25 ویژگی استفاده کند و مجموعه داده شما فقط شامل 24 مورد از آنها باشد، مدل از قبل آموزش دیده به احتمال زیاد پیش بینی های بدی را انجام خواهد داد.
معمولاً، شاغلین ML از بخش های فرعی منطبق از ورودی های یک مدل از پیش آموزش دیده برای تنظیم دقیق یا انتقال یادگیری استفاده می کنند. اگر یک مدل از پیش آموزش دیده برای مورد استفاده خاص شما وجود ندارد، هنگام آموزش مدل خود، از بخش های فرعی یک مدل از پیش آموزش دیده استفاده کنید.
برای اطلاعات در مورد مدل های از پیش آموزش دیده، نگاه کنید
نظارت بر
در طول قالب بندی مشکل، زیرساخت نظارت و هشدار را در نظر بگیرید که راه حل ML شما نیاز دارد.
استقرار مدل
در برخی موارد، یک مدل تازه آموزش دیده ممکن است بدتر از مدلی باشد که در حال حاضر تولید می شود. اگر چنین است، باید از عرضه آن به تولید جلوگیری کنید و هشداری دریافت کنید که استقرار خودکار شما ناموفق بوده است.
کج آموزشی-سرویس
اگر هر یک از ویژگی‌های ورودی که برای استنتاج استفاده می‌شود دارای مقادیری باشد که خارج از محدوده توزیع داده‌های مورد استفاده در آموزش است، باید به شما هشدار داده شود زیرا به احتمال زیاد مدل پیش‌بینی‌های ضعیفی خواهد داشت. به عنوان مثال، اگر مدل شما برای پیش‌بینی دما برای شهرهای استوایی در سطح دریا آموزش دیده است، سیستم سرویس‌دهی شما باید از داده‌های دریافتی با طول و عرض جغرافیایی و/یا ارتفاعات خارج از محدوده‌ای که مدل روی آن آموزش داده شده، هشدار دهد. برعکس، اگر مدل در حال انجام پیش‌بینی‌هایی خارج از محدوده توزیعی است که در طول آموزش دیده می‌شود، سیستم سرویس دهی باید به شما هشدار دهد.
سرور استنتاج
اگر از طریق یک سیستم RPC استنباط ارائه می کنید، باید خود سرور RPC را زیر نظر داشته باشید و در صورت توقف ارائه استنتاج، هشدار دریافت کنید.