Entraînement 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.
C'est le principal avantage de l'entraînement en ligne. Nous pouvons éviter de nombreux problèmes d'obsolescence en permettant au modèle de s'entraîner avec de nouvelles données au fur et à mesure qu'il arrive.
Les tâches d'entraînement sont très peu surveillées.
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 de soutien, comme la possibilité de restaurer un instantané précédent d'un modèle en cas de problème lors de l'entraînement, tel qu'une tâche contenant des bugs ou une corruption des données d'entrée.
Les données d'entrée ne doivent être surveillées que très peu au moment de l'inférence.
Tout comme pour un modèle hors connexion statique, il est également important de surveiller les entrées des modèles mis à jour de manière dynamique. Il est peu probable que les effets de la saisonnalité soient importants, mais des modifications soudaines et importantes des entrées (par exemple, une panne de source de données en amont) peuvent toujours entraîner des prédictions peu fiables.
Entraînement statique (hors ligne)
Explorez les options ci-dessous.
Parmi les affirmations suivantes concernant l'entraînement statique (hors ligne), lesquelles sont vraies ?
Le modèle reste à jour à mesure que de nouvelles données arrivent.
En fait, si nous effectuons un entraînement hors connexion, le modèle n'a aucun moyen d'intégrer les nouvelles données dès leur réception. Cela peut entraîner l'obsolescence du modèle si la distribution que nous essayons d'apprendre change au fil du temps.
Vous pouvez vérifier le modèle avant de l'appliquer en production.
Oui, l'entraînement hors connexion offre de nombreuses possibilités pour 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 ligne, ce qui nous éloigne de nombreuses considérations liées à la production. Toutefois, plus vous entraînez votre modèle fréquemment, plus vous devrez investir dans la surveillance. Vous devez également procéder à des validations régulières pour vous assurer que les modifications apportées à votre code (et à ses dépendances) n'affectent pas la qualité du modèle.
Les données d'entrée ne doivent être surveillées que très peu au moment de l'inférence.
Contrairement à ce que l'on pourrait croire, il est nécessaire de surveiller les données d'entrée au moment de la diffusion. Si les distributions des entrées changent, les prédictions du modèle peuvent devenir peu fiables. Imaginez, par exemple, qu'un modèle entraîné uniquement sur des données de vêtements d'été soit soudainement utilisé pour prédire le comportement d'achat de vêtements en hiver.