Khi triển khai một mô hình, hãy bắt đầu từ một đơn giản. Hầu hết công việc trong công nghệ học máy đều dựa vào dữ liệu nên việc tạo một quy trình đầy đủ cho một mô hình phức tạp sẽ khó hơn lặp lại trên chính mô hình. Sau khi thiết lập quy trình dữ liệu và triển khai một mô hình đơn giản sử dụng một vài tính năng, bạn có thể lặp lại để tạo ra một mô hình tốt hơn.
Các mô hình đơn giản cung cấp đường cơ sở tốt, ngay cả khi bạn không khởi chạy các mô hình này. Trên thực tế, sử dụng một mô hình đơn giản có lẽ tốt hơn bạn nghĩ. Bắt đầu đơn giản giúp bạn xác định xem một mô hình phức tạp có hợp lý hay không.
Đào tạo mô hình của riêng bạn so với mô hình đã được huấn luyện
Các mô hình đã qua đào tạo có thể sử dụng cho nhiều trường hợp sử dụng và cung cấp nhiều các lợi thế. Tuy nhiên, các mô hình được huấn luyện chỉ thực sự hoạt động khi nhãn và khớp chính xác với tập dữ liệu của bạn. Ví dụ: nếu một mô hình được huấn luyện sử dụng 25 tính năng và tập dữ liệu của bạn chỉ bao gồm 24 tính năng, sẽ rất có thể sẽ đưa ra các dự đoán sai sự thật.
Thông thường, chuyên viên học máy sử dụng các tiểu mục phù hợp cho dữ liệu đầu vào từ mô hình đã được huấn luyện để tinh chỉnh hoặc chuyển đổi mô hình học. Nếu một mô hình đã huấn luyện không tồn tại cho trường hợp sử dụng cụ thể của bạn, hãy xem xét bằng cách sử dụng các tiểu mục từ mô hình được huấn luyện khi tự huấn luyện.
Để biết thông tin về các mô hình đã huấn luyện, hãy xem
Giám sát
Trong quá trình xác định sự cố, hãy cân nhắc cơ sở hạ tầng giám sát và cảnh báo Nhu cầu của giải pháp học máy.
Triển khai mô hình
Trong một số trường hợp, mô hình mới được huấn luyện có thể kém hơn mô hình hiện tại sản xuất. Nếu có thì bạn nên ngăn không cho phát hành ứng dụng này vào phiên bản chính thức và nhận được cảnh báo cho biết quá trình triển khai tự động không thành công.
Độ lệch phân phát huấn luyện
Nếu bất kỳ tính năng sắp tới nào dùng để suy luận có giá trị nằm ngoài phạm vi phạm vi phân phối của dữ liệu dùng trong huấn luyện, bạn sẽ muốn được cảnh báo vì có khả năng mô hình sẽ đưa ra các dự đoán kém. Ví dụ: nếu mô hình này đã được huấn luyện để dự đoán nhiệt độ cho các thành phố gần xích đạo ở mực nước biển, thì hệ thống phân phát sẽ cảnh báo bạn về dữ liệu đến kèm theo vĩ độ và kinh độ và/hoặc cao độ nằm ngoài phạm vi mà mô hình được huấn luyện. Ngược lại, hệ thống phân phát sẽ cảnh báo bạn nếu mô hình đó đang thực hiện các dự đoán nằm ngoài phạm vi phân phối đã thấy trong khoảng thời gian huấn luyện.
Máy chủ suy luận
Nếu đang đưa ra suy luận thông qua hệ thống RPC, bạn sẽ cần theo dõi Bản thân máy chủ RPC và nhận cảnh báo nếu máy chủ ngừng cung cấp thông tin suy luận.