डायनेमिक (ऑनलाइन) प्रशिक्षण
नीचे दिए गए विकल्पों को एक्सप्लोर करें.
डाइनैमिक (ऑनलाइन) ट्रेनिंग के बारे में इनमें से कौनसी बात सही है?
नया डेटा आने पर, मॉडल अप-टू-डेट रहता है.
यह ऑनलाइन ट्रेनिंग का मुख्य फ़ायदा है. हम पुराने डेटा से जुड़ी कई समस्याओं से बच सकते हैं. इसके लिए, हम मॉडल को नए डेटा के हिसाब से ट्रेनिंग की अनुमति देते हैं.
ट्रेनिंग से जुड़ी नौकरियों पर बहुत कम निगरानी करने की ज़रूरत है.
दरअसल, आपको ट्रेनिंग से जुड़ी नौकरियों पर लगातार नज़र रखनी होगी. इससे यह पक्का किया जा सकेगा कि वे सेहतमंद हैं और उम्मीद के मुताबिक काम कर रही हैं. साथ ही, आपको ऐसे इन्फ़्रास्ट्रक्चर की भी ज़रूरत होगी
जो ट्रेनिंग के दौरान किसी तरह की गड़बड़ी या इनपुट डेटा में गड़बड़ी होने पर,
पुराने स्नैपशॉट को रोल बैक कर सके. जैसे, किसी मॉडल को रोल बैक करने की सुविधा.
अनुमानित समय पर, इनपुट डेटा की बहुत कम निगरानी की
ज़रूरत होती है.
किसी स्टैटिक, ऑफ़लाइन मॉडल की तरह ही, डाइनैमिक रूप से अपडेट होने वाले मॉडल के इनपुट को मॉनिटर करना भी ज़रूरी है. सीज़न के मुताबिक
बड़े बदलाव का खतरा नहीं होता. हालांकि, इनपुट में अचानक
हुए बड़े बदलावों (जैसे, किसी अपस्ट्रीम डेटा सोर्स का बंद होना) की वजह से भी अनुमान
भरोसेमंद हो सकते हैं.
स्टैटिक (ऑफ़लाइन) ट्रेनिंग
नीचे दिए गए विकल्पों को एक्सप्लोर करें.
स्टैटिक (ऑफ़लाइन)
ट्रेनिंग के बारे में इनमें से कौनसी बातें सही हैं?
नया डेटा आने पर, मॉडल अप-टू-डेट रहता है.
असल में, अगर हम ऑफ़लाइन ट्रेनिंग देते हैं, तो मॉडल के पास, नया डेटा आने पर उसे शामिल करने का कोई तरीका नहीं होता. अगर हम समय के साथ डिस्ट्रिब्यूशन से सीखने की कोशिश कर रहे हैं, तो इससे मॉडल का खराब हो सकता है.
प्रोडक्शन में लागू करने से पहले, मॉडल की पुष्टि की जा सकती है.
हां, ऑफ़लाइन ट्रेनिंग की मदद से, मॉडल को प्रोडक्शन में लॉन्च करने से पहले, मॉडल की परफ़ॉर्मेंस की पुष्टि की जा सकती है.
ऑफ़लाइन ट्रेनिंग के लिए, ऑनलाइन ट्रेनिंग की तुलना में ट्रेनिंग से जुड़ी नौकरियों पर कम निगरानी करनी पड़ती है.
आम तौर पर, ऑफ़लाइन ट्रेनिंग के लिए, ट्रेनिंग के दौरान निगरानी करने की ज़रूरी शर्तें ज़्यादा कम होती हैं. इसलिए, प्रोडक्शन से जुड़ी बहुत सारी ज़रूरतों का पता चल जाता है. हालांकि, अपने मॉडल को जितनी जल्दी-जल्दी ट्रेनिंग दी जाएगी
आपको निगरानी में उतना ही ज़्यादा निवेश करना होगा. आपको समय-समय पर इस बात की भी पुष्टि करनी चाहिए कि आपके कोड (और उसकी डिपेंडेंसी) में किए गए बदलाव, मॉडल की क्वालिटी पर बुरा असर नहीं डालते.
अनुमानित समय पर, इनपुट डेटा की बहुत कम निगरानी की
ज़रूरत होती है.
असल में, आपको विज्ञापन दिखाते समय इनपुट डेटा की निगरानी
करनी होगी. अगर इनपुट डिस्ट्रिब्यूशन बदल जाता है, तो हमारे मॉडल के
अनुमान भरोसेमंद नहीं हो सकते. उदाहरण के लिए, मान लें कि एक मॉडल
जिसे सिर्फ़ गर्मियों के कपड़ों के डेटा पर ट्रेनिंग दी गई है, जिसका इस्तेमाल
सर्दियों के मौसम में कपड़े खरीदने के व्यवहार का अनुमान लगाने के लिए किया जाता है.