Entrenamiento estático o dinámico: Comprueba tus conocimientos

Entrenamiento dinámico (en línea)

Explora las opciones que aparecen a continuación.

¿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 de inactividad si permitimos que el modelo se entrene con datos nuevos a medida que ingresan.
Se debe realizar muy poca supervisión de los trabajos de entrenamiento.
En realidad, los trabajos de entrenamiento deben supervisarse de forma continua para asegurarte de que estén en buen estado y funcionen según lo previsto. También necesitarás infraestructura de respaldo, como la capacidad de revertir un modelo a una instantánea anterior en caso de que algo salga mal 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 al momento de la inferencia.
Al igual que con un modelo estático sin conexión, también es importante supervisar las entradas a los modelos actualizados de forma dinámica. Es probable que no estemos en riesgo de grandes efectos estacionales, pero los grandes cambios repentinos en las entradas (como que una fuente de datos upstream deje de funcionar) pueden causar predicciones poco confiables.

Entrenamiento estático (sin conexión)

Explora las opciones que aparecen a continuación.

¿Cuáles de las siguientes afirmaciones son verdaderas sobre el entrenamiento estático (sin conexión)?
El modelo se mantiene actualizado a medida que llegan datos nuevos.
En realidad, si entrenamos sin conexión, el modelo no tiene forma de incorporar datos nuevos a medida que llegan. Esto puede provocar que el modelo quede obsoleto si la distribución de la que intentamos aprender cambia con el tiempo.
Puedes verificar el modelo antes de aplicarlo en producción.
Sí, el entrenamiento sin conexión ofrece una amplia oportunidad para verificar el rendimiento del modelo antes de presentarlo en producción.
El entrenamiento sin conexión 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 sencillos para el entrenamiento sin conexión, lo que nos protege de muchas consideraciones de producción. Sin embargo, cuanto más frecuentemente entrenes tu modelo, mayor será la inversión que necesitarás realizar en supervisión. También querrás realizar validaciones periódicas para asegurarte de que los cambios en tu código (y sus dependencias) no afecten de forma negativa la calidad del modelo.
Se debe realizar muy poca supervisión de los datos de entrada al momento de la inferencia.
Contrariamente a lo que podría parecer, debes supervisar los datos de entrada en el momento de la entrega. Si las distribuciones de entrada cambian, las predicciones de nuestro modelo podrían volverse poco confiables. Imagina, por ejemplo, un modelo entrenado solo con datos de ropa de verano que de repente se usa para predecir el comportamiento de compra de ropa en el invierno.