Formation dynamique (en ligne)
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.
Entraînement statique (hors connexion)
Explorez les options ci-dessous.
Parmi les affirmations suivantes concernant l'entraînement statique (hors connexion), lesquelles sont vraies ?
Le modèle reste à jour à mesure que de nouvelles données arrivent.
En réalité, si l'entraînement est effectué hors connexion, le modèle n'a aucun moyen d'incorporer de nouvelles données à mesure qu'elles arrivent. Cela peut entraîner l'obsolescence du modèle, si la distribution que nous essayons d'apprendre à travers les modifications dans le temps.
Vous pouvez vérifier le modèle avant de l'appliquer en production.
Oui, l'entraînement hors connexion offre de nombreuses possibilités de vérifier les performances du modèle avant de le mettre en production.
L'entraînement hors ligne nécessite moins de surveillance des tâches d'entraînement que l'entraînement en ligne.
En général, les exigences de surveillance au moment de l'entraînement sont plus modestes pour l'entraînement hors connexion, ce qui nous isole de nombreuses considérations de production. Toutefois, plus vous entraînerez votre modèle fréquemment, plus les efforts que vous devrez effectuer pour la surveillance seront importants. De plus, nous vous conseillons de procéder à une validation régulière pour vous assurer que les modifications apportées à votre code (et à ses dépendances) n'ont pas d'incidence négative sur la qualité du modèle.
Il faut très peu de surveillance des données d'entrée au moment de l'inférence.
Paradoxalement, vous devez surveiller les données d'entrée au moment de la diffusion. Si les distributions d'entrée changent, les prédictions de notre modèle risquent de ne plus être fiables. Imaginez, par exemple, qu'un modèle entraîné uniquement sur les données portant sur les vêtements d'été soit soudainement utilisé pour prédire le comportement d'achat de vêtements en hiver.