Explora las siguientes opciones.
¿Cuál de las siguientes afirmaciones es verdadera sobre el entrenamiento dinámico (en línea)?
El modelo se mantiene actualizado a medida que llegan datos nuevos.
Este es el principal beneficio del entrenamiento en línea: podemos evitar muchos problemas obsoletos si permites que el modelo se entrene en datos nuevos a medida que ingresan.
Se debe realizar muy poca supervisión de los trabajos de entrenamiento.
En realidad, debes supervisar los trabajos de entrenamiento de forma continua para asegurarte de que estén en buen estado y funcionen como corresponde. También necesitarás una infraestructura de respaldo, como la capacidad de revertir un modelo a una instantánea anterior, en caso de que se produzca algún error en el entrenamiento, como un trabajo con errores o daños en los datos de entrada.
Se debe realizar muy poca supervisión de los datos de entrada en el momento de la inferencia.
Al igual que un modelo estático y sin conexión, también es importante supervisar las entradas de los modelos actualizados de forma dinámica. Es probable que no haya grandes riesgos de estacionalidad, pero los cambios grandes y repentinos en las entradas (como una fuente de datos ascendente que baja) pueden causar predicciones poco confiables.