כשמטמיעים מודל, כדאי להתחיל בקלות. רוב העבודה בלמידת מכונה היא בצד הנתונים, כך שקשה יותר לחזור על המודל עצמו כדי להגדיר צינור עיבוד נתונים מלא בשביל מודל מורכב. אחרי שמגדירים את צינור עיבוד הנתונים ומטמיעים מודל פשוט שמשתמש בכמה תכונות, תוכלו לחזור על התהליך וליצור מודל טוב יותר.
מודלים פשוטים מספקים בסיס טוב, גם אם הם לא יושקו בסופו של דבר. למעשה, סביר להניח שעדיף להשתמש במודל פשוט מכפי שנדמה לכם. התחלה פשוטה עוזרת לקבוע אם מודל מורכב מוצדק אפילו או לא.
אימון המודל שלכם במקום שימוש במודל שעבר אימון מראש
מודלים רבים שעברו אימון מראש קיימים למגוון תרחישים לדוגמה ויש להם יתרונות רבים. עם זאת, מודלים שעברו אימון מראש באמת פועלים רק כשהתווית והתכונות תואמות במדויק למערך הנתונים. לדוגמה, אם במודל שעבר אימון מראש נעשה שימוש ב-25 תכונות ומערך הנתונים כולל רק 24 מהן, סביר להניח שהמודל שעבר אימון מראש יספק חיזויים גרועים.
בדרך כלל, אנשי מקצוע בלמידת מכונה משתמשים בקטעי משנה תואמים של מקורות קלט ממודל שעבר אימון מראש לכוונון עדין או להעברה של הלמידה. אם מודל שעבר אימון מראש לא קיים בתרחיש לדוגמה הספציפי שלכם, כדאי להשתמש בקטעי משנה מהמודל שעבר אימון מראש לאימון המודל שלכם.
למידע על מודלים שעברו אימון מקדים, אפשר לעיין בכתובת
מעקב
בזמן מסגור הבעיות, כדאי לשקול את תשתית המעקב וההתראות שדרושה לפתרון למידת המכונה.
פריסת מודלים
במקרים מסוימים, מודל שעבר אימון חדש עשוי להיות גרוע יותר מהמודל שנמצא כעת בסביבת הייצור. אם כן, מומלץ למנוע את השקתו בסביבת ייצור ולקבל התראה על כך שהפריסה האוטומטית נכשלה.
סטיית שירות בתהליך אימון
אם לאחת מהתכונות הנכנסות שמשמשות לצורך הסקת מסקנות יש ערכים שנמצאים מחוץ לטווח ההתפלגות של הנתונים המשמשים באימון, תרצו לקבל התראה כי סביר להניח שהמודל יניב חיזויים גרועים. לדוגמה, אם המודל שלכם אומן לחזות את הטמפרטורות בערים על קו המשווה בגובה פני הים, מערכת השירות אמורה להתריע בפניכם על נתונים נכנסים עם קווי אורך ורוחב, ו/או גבהים שנמצאים מחוץ לטווח שעליו אומן המודל. לעומת זאת, מערכת הצגת המודעות אמורה להתריע אם המודל מבצע חיזויים שנמצאים מחוץ לטווח ההתפלגות שנצפה במהלך האימון.
שרת מסקנות
אם אתם מספקים את המסקנות דרך מערכת RPC, מומלץ לעקוב אחרי שרת ה-RPC עצמו ולקבל התראה אם הוא מפסיק לספק מסקנות.