เมื่อนำโมเดลไปใช้ ให้เริ่มต้นจากอย่างง่าย งานส่วนใหญ่ใน ML เกี่ยวข้องกับข้อมูล ดังนั้นการทำให้ไปป์ไลน์เต็มรูปแบบทำงานสำหรับโมเดลที่ซับซ้อนจึงทำได้ยากกว่า ปรับปรุงโมเดลซ้ำ หลังจากตั้งค่าไปป์ไลน์ข้อมูลแล้ว การนำโมเดลง่ายๆ ที่มีคุณลักษณะไม่กี่อย่างมาใช้ คุณสามารถทำซ้ำ การสร้างโมเดลที่ดียิ่งขึ้น
รูปแบบง่ายๆ เป็นพื้นฐานที่ดี แม้ว่าคุณจะไม่ได้เปิดตัวรูปแบบเหล่านั้นก็ตาม อันที่จริง การใช้โมเดลเรียบง่ายน่าจะดีกว่าที่คุณคิด การเริ่มอย่างง่าย ช่วยให้คุณตัดสินได้ว่าโมเดลที่ซับซ้อนนั้นมีความเหมาะสมหรือไม่
ฝึกโมเดลของคุณเองเทียบกับการใช้โมเดลที่ฝึกแล้ว
โมเดลที่ผ่านการฝึกมีให้บริการสำหรับกรณีการใช้งานที่หลากหลายและมีให้ ข้อดี อย่างไรก็ตาม โมเดลที่ผ่านการฝึกจะทำงานจริงๆ ได้ก็ต่อเมื่อป้ายกำกับและ ตรงกับชุดข้อมูลทุกประการ ตัวอย่างเช่น หากโมเดลที่ฝึกแล้ว ใช้ฟีเจอร์ 25 รายการและชุดข้อมูลของคุณมี 24 รายการเท่านั้น จะทำนายโมเดลได้ไม่ดี
โดยทั่วไปแล้ว ผู้ปฏิบัติงาน ML ใช้ส่วนย่อยที่ตรงกันของอินพุตจาก โมเดลที่ได้รับการฝึกสำหรับการปรับแต่งหรือถ่ายทอดการเรียนรู้ หากโมเดลที่ฝึกแล้ว สำหรับกรณีการใช้งานเฉพาะของคุณ โดยใช้ส่วนย่อยจากโมเดลที่ฝึกเมื่อฝึกเอง
สำหรับข้อมูลเกี่ยวกับโมเดลที่ฝึก โปรดดู
การตรวจสอบ
ระหว่างการเฟรมปัญหา ให้พิจารณาการตรวจสอบและแจ้งเตือนโครงสร้างพื้นฐาน โซลูชัน ML
การทำให้โมเดลใช้งานได้
ในบางกรณี โมเดลที่ฝึกใหม่อาจทำงานได้แย่กว่าโมเดลในปัจจุบัน เวอร์ชันที่ใช้งานจริง หากใช่ คุณจะต้องป้องกันไม่ให้เผยแพร่ลงใน เวอร์ชันที่ใช้งานจริง และได้รับการแจ้งเตือนว่าการติดตั้งใช้งานอัตโนมัติไม่สำเร็จ
ความคลาดเคลื่อนระหว่างการฝึกและการให้บริการ
หากคุณลักษณะขาเข้าที่ใช้สำหรับการอนุมานมีค่าที่อยู่นอก ช่วงการกระจายของข้อมูลที่ใช้ในการฝึก คุณจะต้องรับการแจ้งเตือน เพราะโมเดลจะคาดการณ์ได้ไม่ดี ตัวอย่างเช่น หาก โมเดลได้รับการฝึกให้คาดการณ์อุณหภูมิของเมืองเส้นศูนย์สูตรที่ระดับน้ำทะเล ระบบการแสดงโฆษณาควรจะแจ้งเตือนคุณเกี่ยวกับข้อมูลขาเข้าด้วยละติจูดและ ลองจิจูดและ/หรือระดับความสูงนอกช่วงที่ฝึกโมเดล ในทางกลับกัน ระบบการแสดงผลควรแจ้งเตือนคุณหากโมเดลกำลังสร้าง การคาดคะเนที่อยู่นอกช่วงการกระจายที่เห็นระหว่าง การฝึกอบรม
เซิร์ฟเวอร์การอนุมาน
หากคุณทำการอนุมานผ่านระบบ RPC คุณจะต้องตรวจสอบ เซิร์ฟเวอร์ RPC เองและจะได้รับการแจ้งเตือนหากหยุดให้บริการการอนุมาน