No se pueden demostrar los lineamientos de las pruebas de canalización en Colab. En cambio, los siguientes ejercicios ayudan a practicar los lineamientos. En la página siguiente, se describen los recursos para implementar los lineamientos.
En las siguientes preguntas, haz clic en tu selección para expandirla y verificar tu respuesta.
Después de iniciar el predictor de la apariencia de tu unicornio, debes mantener actualizado el predictor mediante el reentrenamiento en datos nuevos. Debido a que estás recopilando demasiados datos nuevos para entrenar, decides limitar los datos de entrenamiento mediante el muestreo de los datos nuevos durante un período. También debes tener en cuenta los patrones diarios y anuales en las apariencias de los unicornios. Y lo más rápido que puedes lanzar versiones de modelos nuevas es cada tres meses.
¿En qué período?
Un día, ya que una ventana más grande generaría una gran cantidad de datos y el modelo tardaría demasiado en entrenarse.
Incorrecto. Puedes ajustar la tasa de muestreo de datos para limitar el tamaño del conjunto de datos. Dado que solo puedes actualizar tu modelo cada tres meses, un modelo entrenado con los datos de un día quedará obsoleto.
Una semana, para que tu conjunto de datos no sea demasiado grande, pero aún puedes suavizar patrones.
Incorrecto. Puedes ajustar la tasa de muestreo de datos para limitar el tamaño del conjunto de datos. Dado que solo puedes actualizar tu modelo cada tres meses, un modelo entrenado con los datos de una semana quedará obsoleto de manera gradual.
Un año, para garantizar que tu modelo no esté sesgado por patrones diarios o anuales.
Correcto. Debes elegir un conjunto de datos representativo para que tu modelo aprenda a predecir en todas las situaciones.
Inicias el predictor de la apariencia de tu unicornio. ¡Funciona bien! Te vas de vacaciones y vuelves después de tres semanas para descubrir que la calidad de tu modelo disminuyó significativamente. Supongamos que es poco probable que el comportamiento de un unicornio cambie significativamente en tres semanas. ¿Cuál es la explicación más probable para que disminuya la calidad?
Desviación entre el entrenamiento y la entrega.
Correcto. Si bien es probable que el comportamiento de los unicornios no haya cambiado, quizás los informes de datos subyacentes o el formato de los datos cambiaron en los datos de entrega después de que se recopilaron los datos de entrenamiento.
Detecta el sesgo potencial entre el entrenamiento y la entrega mediante la comparación de los datos de entrega con el esquema de datos de entrenamiento.
Olvidó probar la calidad del modelo con un límite fijo.
Incorrecto. Probar la calidad del modelo ayudaría a reducir la calidad, pero no explicaría el motivo.
Tu modelo está inactivo.
Incorrecto. Se supone que tus datos de entrenamiento abarcan todos los ciclos de comportamiento del unicornio, como se analizó en la pregunta anterior.
Por lo tanto, decides supervisar las predicciones para la Antártida porque no tienes suficientes datos de entrenamiento allí. La calidad de tus predicciones disminuye de manera misteriosa durante algunos días a la vez, especialmente en invierno. ¿Cuál podría ser la causa?
Un factor ambiental.
Correcto. Descubres que las tormentas en la Antártida se correlacionan con disminuciones en la calidad de tus predicciones. Durante estas tormentas, cambia el comportamiento del unicornio. Además, es imposible recopilar datos durante las tormentas en la Antártida, lo que significa que tu modelo no puede entrenarse para esas condiciones.
Tu modelo está inactivo.
Incorrecto. Si esta causa fuera correcta, la calidad disminuiría de forma continua a medida que tu modelo quedara inactivo, en lugar de disminuir por solo unos días.
No se necesita ninguna causa. Los modelos de AA tienen una aleatoriedad inherente.
Incorrecto. Si la calidad de tu modelo fluctúa, debes investigar la causa. Intenta eliminar la aleatoriedad en el entrenamiento de modelos para aumentar la reproducibilidad.
Tu predictor de apariencia de unicornio ha operado durante un año. Ya solucionaste muchos problemas y la calidad ahora es alta. Sin embargo, observas un problema pequeño, pero persistente. La calidad de tu modelo ha disminuido ligeramente en las áreas urbanas. ¿Cuál podría ser la causa?
La alta calidad de tus predicciones hace que los usuarios encuentren fácilmente unicornios, lo que afecta el comportamiento de los unicornios.
Correcto. Los unicornios respondieron con más atención cambiando su comportamiento en las áreas urbanas. A medida que las predicciones de tu modelo se adaptan al comportamiento cambiante, los unicornios siguen cambiando su comportamiento. Esta situación, en la que el comportamiento de tu modelo afecta a los datos de entrenamiento en sí, se denomina bucle de retroalimentación.
Deberías intentar modificar la detección de sesgo de entrenamiento y entrega para detectar cambios en los datos de entrega que correspondan a los cambios en el comportamiento del unicornio.
Las apariencias de unicornios se informan varias veces en áreas con gran densidad de población y sesgan los datos de entrenamiento.
Incorrecto. Probablemente esta no sea la causa porque este sesgo debería haber disminuido tu calidad desde el lanzamiento.
Las áreas urbanas son difíciles de modelar.
Incorrecto. Si tu modelo tuviera problemas para realizar predicciones en áreas urbanas, la calidad sería baja desde el comienzo, en lugar de reducirse después del lanzamiento.