Entrenamiento estático o dinámico: Comprueba tu comprensión

Capacitación en línea

Explora las opciones que aparecen a continuación.

¿Cuál de las siguientes afirmaciones es verdadera sobre el entrenamiento en línea (dinámico)?
El modelo se mantiene actualizado a medida que ingresan datos nuevos.
Este es el principal beneficio del entrenamiento en línea; se pueden evitar muchos problemas obsoletos al permitir que el modelo se entrene sobre datos nuevos a medida que ingresan.
Se debe realizar muy poca supervisión de los trabajos de entrenamiento.
En realidad, los trabajos de entrenamiento se deben supervisar de manera continua para garantizar que sean correctos y funcionen como está previsto. También necesitarás una infraestructura de respaldo, como la capacidad de restaurar un modelo a un estado anterior en caso de que se produzca un problema en el entrenamiento, como una tarea 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 con un modelo estático fuera de línea, también es importante supervisar las entradas de los modelos que se actualizan de forma dinámica. Es probable que no existan riesgos durante temporadas largas, pero los cambios grandes y repentinos de las entradas (como una fuente de datos superior que pasa a ser inferior) pueden causar predicciones poco confiables.

Entrenamiento fuera de línea

Explora las opciones que aparecen a continuación.

¿Cuál de las siguientes dos afirmaciones es verdadera acerca del entrenamiento fuera de línea?
El modelo se mantiene actualizado a medida que ingresan datos nuevos.
En realidad, si entrenamos fuera de línea, el modelo no tiene forma de incorporar datos nuevos a medida que ingresan. Si la distribución de la cual intentamos aprender cambia con el tiempo, esto puede provocar que el modelo quede obsoleto.
El modelo se puede verificar antes de aplicarlo en producción.
Sí, el entrenamiento fuera de línea ofrece una gran oportunidad para verificar el rendimiento del modelo antes de incorporarlo en producción.
El entrenamiento fuera de línea requiere menos supervisión de los trabajos de entrenamiento que el entrenamiento en línea.
En general, los requisitos de supervisión en el momento del entrenamiento son más simples para el entrenamiento fuera de línea, lo cual nos protege de muchas consideraciones de producción. Sin embargo, cuanto más frecuentemente entrenes el modelo, mayor será la inversión que necesites realizar en supervisión. También querrás realizar validaciones periódicas para asegurarte de que los cambios en tu código (y sus dependencias) no afecten de manera adversa la calidad del modelo.
Se debe realizar muy poca supervisión de los datos de entrada en el momento de la inferencia.
Contrariamente a lo que podría indicar la intuición, debes supervisar los datos de entrada en el momento del procesamiento. Si las distribuciones de entrada cambian, las predicciones de nuestro modelo podrían volverse poco confiables. Imagina, por ejemplo, un modelo entrenado únicamente con datos de indumentaria de verano que de repente se usa para predecir el comportamiento de compra de indumentaria en el invierno.

Enviar comentarios sobre…

Curso intensivo de aprendizaje automático