Khi triển khai mô hình, hãy bắt đầu từ việc đơn giản. Hầu hết công việc trong công việc học máy đều ở phía dữ liệu, vì vậy, việc chạy một quy trình đầy đủ cho một mô hình phức tạp sẽ khó hơn so với việc lặp lại trên chính mô hình đó. 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 quy trình tạo mô hình tốt hơn.
Các mô hình đơn giản sẽ cung cấp cơ sở tốt, ngay cả khi bạn không khởi chạy chúng. Trên thực tế, việc sử dụng mô hình đơn giản có lẽ sẽ tốt hơn bạn nghĩ. Việc bắt đầu từ đơn giản giúp bạn xác định xem một mô hình phức tạp có hợp lý hay không.
Huấn luyện mô hình của riêng bạn thay vì sử dụng mô hình đã huấn luyện trước
Có nhiều mô hình luyện sẵn cho nhiều trường hợp sử dụng và mang lại nhiều ưu điểm. Tuy nhiên, các mô hình luyện sẵn chỉ thực sự hoạt động khi nhãn và các tính năng khớp chính xác với tập dữ liệu của bạn. Ví dụ: nếu một mô hình luyện sẵn sử dụng 25 tính năng và tập dữ liệu của bạn chỉ bao gồm 24 tính năng trong số đó, thì mô hình luyện sẵn rất có thể sẽ đưa ra các dự đoán không tốt.
Thông thường, các chuyên viên máy học sử dụng các phần phụ trùng khớp với dữ liệu đầu vào từ một mô hình đã được huấn luyện trước để tinh chỉnh hoặc học chuyển giao. Nếu không có mô hình luyện sẵn cho trường hợp sử dụng cụ thể của bạn, hãy cân nhắc sử dụng các phần phụ trong mô hình luyện sẵn khi tự huấn luyện.
Để biết thông tin về các mô hình luyện sẵn, hãy xem
Giám sát
Trong quá trình xác định vấn đề, hãy cân nhắc cơ sở hạ tầng giám sát và cảnh báo mà giải pháp học máy cần đến.
Triển khai mô hình
Trong một số trường hợp, mô hình mới huấn luyện có thể kém hiệu quả hơn mô hình hiện đang được phát hành chính thức. Nếu có, bạn cần ngăn không cho phát hành phiên bản chính thức của SDK đó và nhận cảnh báo cho biết quá trình triển khai tự động không thành công.
Sai lệch trong hoạt động đào tạo
Nếu bất kỳ tính năng nào được dùng để dự đoán có giá trị nằm ngoài phạm vi phân phối của dữ liệu dùng trong quá trình huấn luyện, thì bạn cần nhận cảnh báo vì có khả năng mô hình sẽ đưa ra các dự đoán kém. Ví dụ: nếu mô hình của bạn được huấn luyện để dự đoán nhiệt độ của các thành phố gần xích đạo ở mực nước biển, thì hệ thống phân phát sẽ cảnh báo cho bạn về dữ liệu sắp tới có vĩ độ và kinh độ, và/hoặc độ cao nằm ngoài phạm vi mà mô hình được huấn luyện. Ngược lại, hệ thống phân phát sẽ cảnh báo cho bạn nếu mô hình đang đưa ra các dự đoán nằm ngoài phạm vi phân phối đã thấy trong quá trình huấn luyện.
Máy chủ suy luận
Nếu cung cấp thông tin dự đoán thông qua hệ thống RPC, bạn cần theo dõi chính máy chủ RPC và nhận cảnh báo nếu máy chủ ngừng đưa ra thông tin dự đoán.