Comparaison des apprentissages statique et dynamique : testez vos connaissances

Apprentissage en ligne

Examinez les options suivantes.

Parmi les propositions suivantes, lesquelles s'appliquent à l'apprentissage (dynamique) en ligne ?
Le modèle reste à jour à mesure que les données arrivent.
C'est le principal avantage de l'apprentissage en ligne. Il évite tout anachronisme des données, car le modèle est entraîné à mesure que les nouvelles données lui parviennent.
L'apprentissage en ligne demande des efforts minimes de suivi des tâches d'apprentissage.
À vrai dire, l'apprentissage en ligne implique un suivi continu des tâches d'apprentissage afin de s'assurer que le modèle fonctionne comme prévu. Vous avez également besoin d'une infrastructure appropriée, qui vous permettra par exemple de restaurer l'instantané d'un modèle précédent en cas de problème lors de l'apprentissage, tel qu'une requête erronée ou la corruption des données.
Les efforts de suivi nécessaires au moment de l'inférence sont minimes.
Tout comme pour les modèles hors ligne statiques, il est important de surveiller les entrées effectuées dans les modèles mis à jour de manière dynamique. Bien qu'il soit peu probable que les effets de la saisonnalité ne soient pas pris en compte par ce modèle, toute modification majeure apportée aux entrées (telle que l'inaccessibilité d'une source de données en amont) peut nuire à la fiabilité des prédictions.

Apprentissage hors ligne

Examinez les options suivantes.

Quelles sont les propositions suivantes qui s'appliquent à l'apprentissage hors ligne ?
Le modèle reste à jour à mesure que les données arrivent.
À vrai dire, avec un apprentissage hors ligne, le modèle n'a aucun moyen d'intégrer les données à mesure qu'elles arrivent. Le modèle peut donc devenir obsolète si la distribution sur laquelle repose l'apprentissage évolue au fil du temps.
Il est possible de vérifier le modèle avant de l'utiliser en production.
Effectivement, l'apprentissage hors ligne permet de vérifier les performances du modèle avant de l'utiliser en production.
L'apprentissage hors ligne demande un suivi des tâches d'apprentissage moins poussé que l'apprentissage en ligne.
En général, le suivi requis au moment de l'apprentissage est moins important pour l'apprentissage hors ligne, ce qui nous éloigne de nombreuses considérations liées à la production. Toutefois, plus la fréquence à laquelle vous entraînez un modèle sera élevée, plus vous devrez consacrer du temps à son suivi. Il est également important de procéder à des validations régulières du modèle afin de s'assurer que les modifications du code (et de ses dépendances) n'affectent pas sa qualité.
Les efforts de suivi nécessaires au moment de l'inférence sont minimes.
Contrairement à ce que l'on pourrait penser, il est nécessaire de suivre les données d'entrée au moment de l'inférence. En cas de modification de la distribution des entrées, la fiabilité des prédictions du modèle peut être altérée. Imaginez, par exemple, si un modèle entraîné uniquement avec des données basées sur les vêtements achetés en été venait soudainement à être utilisé pour prédire le comportement d'achat de vêtements en hiver.