Explorez les options ci-dessous.
Parmi les affirmations suivantes concernant l'entraînement dynamique (en ligne), laquelle est vraie ?
Le modèle reste à jour à mesure que de nouvelles données arrivent.
Il s'agit du principal avantage de l'entraînement en ligne. Nous pouvons éviter de nombreux problèmes d'obsolescence en autorisant le modèle à s'entraîner sur les nouvelles données à mesure qu'elles arrivent.
Très peu de surveillance des tâches d'entraînement est nécessaire.
En réalité, vous devez surveiller en permanence les tâches d'entraînement pour vous assurer qu'elles sont opérationnelles et fonctionnent comme prévu. Vous aurez également besoin d'une infrastructure compatible, avec la possibilité de revenir à un instantané précédent d'un modèle en cas d'erreur lors de l'entraînement, telle qu'un bug ou la corruption des données d'entrée.
Il faut très peu de surveillance des données d'entrée au moment de l'inférence.
Comme pour un modèle hors connexion statique, il est également important de surveiller les entrées des modèles mis à jour dynamiquement. Nous ne risquons probablement pas d'avoir des effets saisonniers importants, mais des modifications importantes apportées aux entrées (une source de données en amont en panne, par exemple) peuvent toujours entraîner des prédictions peu fiables.