मॉडल को लागू करते समय, आसानी से शुरुआत करें. एमएल में ज़्यादातर काम डेटा साइड पर होता है. इसलिए, किसी कॉम्प्लेक्स मॉडल के लिए पूरी पाइपलाइन चलाना, मॉडल पर दोहराने की तुलना में ज़्यादा मुश्किल है. डेटा पाइपलाइन सेट अप करने और कुछ सुविधाओं का इस्तेमाल करने वाला आसान मॉडल लागू करने के बाद, बेहतर मॉडल बनाने की प्रोसेस को दोहराया जा सकता है.
आसान मॉडल, एक अच्छी बेसलाइन उपलब्ध कराते हैं, भले ही उन्हें लॉन्च ही न किया गया हो. असल में, साधारण मॉडल का इस्तेमाल करना आपकी उम्मीद से बेहतर हो सकता है. आसान शुरू करने से, आपको यह तय करने में मदद मिलती है कि कोई कॉम्प्लेक्स मॉडल सही है या नहीं.
पहले से ट्रेनिंग वाले मॉडल की तुलना में, अपने मॉडल को ट्रेनिंग दें
कई पहले से ट्रेनिंग दिए गए मॉडल, अलग-अलग तरह के इस्तेमाल के लिए मौजूद होते हैं और कई फ़ायदे भी होते हैं. हालांकि, पहले से ट्रेनिंग दिए गए मॉडल सिर्फ़ तब काम करते हैं, जब लेबल और सुविधाएं आपके डेटासेट से पूरी तरह मेल खाती हों. उदाहरण के लिए, अगर पहले से ट्रेनिंग दिए गए मॉडल में 25 सुविधाओं का इस्तेमाल किया जाता है और आपके डेटासेट में सिर्फ़ 24 सुविधाएं शामिल हैं, तो पहले से ट्रेनिंग दिए गए मॉडल के गलत अनुमान लगाने की संभावना ज़्यादा है.
आम तौर पर, मशीन लर्निंग प्रोसेस करने वाले पेशेवर, पहले से ट्रेनिंग पा चुके मॉडल से मिले इनपुट के सब-सेक्शन का इस्तेमाल करते हैं. ऐसा वे और बेहतर बनाने या ट्रांसफ़र सीखने के लिए करते हैं. अगर आपके इस्तेमाल के उदाहरण के लिए, पहले से ट्रेनिंग वाला मॉडल मौजूद नहीं है, तो अपने हिसाब से ट्रेनिंग देते समय, पहले से ट्रेनिंग दिए गए मॉडल के सब-सेक्शन का इस्तेमाल करें.
पहले से ट्रेनिंग दिए गए मॉडल के बारे में जानकारी के लिए, देखें
निगरानी
समस्याओं को फ़्रेमिंग के दौरान, अपनी एमएल समाधान की ज़रूरतों को मॉनिटर करने और चेतावनी देने वाले इन्फ़्रास्ट्रक्चर पर ध्यान दें.
मॉडल डिप्लॉयमेंट
कुछ मामलों में, एक नया प्रशिक्षित मॉडल, अभी बनाए जा रहे मॉडल से खराब हो सकता है. अगर ऐसा है, तो आपको इसे प्रोडक्शन में रिलीज़ होने से रोकना होगा और इसकी सूचना मिलेगी कि आपका ऑटोमेटेड डिप्लॉयमेंट काम नहीं कर सका.
ट्रेनिंग और ब्राउज़र में वेब पेज खोलने में आने वाली गड़बड़ियां
अगर अनुमान के लिए इस्तेमाल की जाने वाली किसी भी इनकमिंग सुविधा में ऐसी वैल्यू हैं जो ट्रेनिंग में इस्तेमाल किए जाने वाले डेटा की डिस्ट्रिब्यूशन रेंज से बाहर हैं, तो आपको इसके बारे में सूचना ज़रूर लेनी चाहिए. ऐसा इसलिए, क्योंकि हो सकता है कि यह मॉडल खराब अनुमान दे. उदाहरण के लिए, अगर आपके मॉडल को समुद्र तल पर भूमध्य रेखा वाले शहरों के लिए तापमान का अनुमान लगाने के लिए प्रशिक्षित किया गया है, तो आपका सेवा देने वाला सिस्टम आपको अक्षांश और देशांतर और/या मॉडल की ट्रेनिंग की सीमा के बाहर की ऊंचाई के साथ आने वाले डेटा के बारे में अलर्ट करेगा. इसके उलट, अगर मॉडल ट्रेनिंग के दौरान डिस्ट्रिब्यूशन रेंज से बाहर के ऐसे अनुमान लगा रहा है जो ट्रेनिंग के दौरान देखे गए हैं, तो विज्ञापन दिखाने वाले सिस्टम को आपको सूचना देनी चाहिए.
अनुमान सर्वर
अगर किसी RPC सिस्टम के ज़रिए अनुमान दिए जा रहे हैं, तो आपको खुद RPC सर्वर को मॉनिटर करना होगा. साथ ही, अगर यह अनुमान देना बंद कर देता है, तो आपको सूचना दी जाएगी.