Pelatihan Statis vs. Dinamis: Periksa Pemahaman Anda

Pelatihan Dinamis (Online)

Pelajari opsi di bawah.

Manakah dari salah satu pernyataan berikut yang benar tentang pelatihan dinamis (online)?
Model ini selalu diperbarui saat muncul data baru.
Ini adalah manfaat utama dari pelatihan online—kita dapat menghindari berbagai masalah terkait data yang tidak diperbarui dengan mengizinkan model tersebut melatih data baru saat sudah tersedia.
Sangat sedikit pemantauan tugas pelatihan (training job) yang perlu dilakukan.
Sebenarnya, Anda harus terus memantau tugas pelatihan (training job) untuk memastikan bahwa tugas tersebut responsif dan bekerja sesuai harapan. Anda juga akan memerlukan infrastruktur pendukung seperti kemampuan untuk melakukan rollback terhadap model ke snapshot sebelumnya jika ada kesalahan dalam pelatihan, seperti tugas yang memiliki bug atau kerusakan dalam data masukan.
Sangat sedikit pemantauan data masukan yang perlu dilakukan pada waktu inferensi.
Layaknya model offline yang statis, pemantauan masukan terhadap model yang diperbarui secara dinamis juga penting. Kita mungkin tidak memiliki risiko terkait efek musiman yang besar, tetapi perubahan besar yang terjadi tiba-tiba pada masukan (seperti sumber data yang tiba-tiba mati) masih dapat menghasilkan prediksi yang tidak dapat diandalkan.

Pelatihan Statis (Offline)

Pelajari opsi di bawah.

Manakah dari pernyataan berikut yang benar tentang pelatihan statis (offline)?
Model ini selalu diperbarui saat muncul data baru.
Sebenarnya, jika kita melakukan pelatihan secara offline, model tidak dapat menggabungkan data baru saat data tersebut tersedia. Hal ini dapat menyebabkan model menjadi usang, jika distribusi yang ingin kita pelajari terus berubah seiring waktu.
Anda dapat memverifikasi model sebelum menerapkannya dalam produksi.
Ya, pelatihan offline memberikan peluang yang memadai untuk memverifikasi performa model sebelum memperkenalkan model dalam produksi.
Pelatihan offline memerlukan lebih sedikit pemantauan tugas pelatihan (training job) daripada pelatihan online.
Secara umum, kebutuhan pemantauan pelatihan offline pada waktu pelatihan lebih sederhana, yang menghindarkan kita dari banyaknya kerumitan di produksi. Namun, semakin sering Anda melatih model, semakin banyak pemantauan yang harus Anda lakukan. Anda juga harus melakukan validasi secara berkala untuk memastikan bahwa perubahan pada kode Anda (dan dependensinya) tidak berpengaruh buruk pada kualitas model.
Sangat sedikit pemantauan data masukan yang perlu dilakukan pada waktu inferensi.
Tidak seperti yang Anda duga, Anda perlu memantau data masukan pada waktu penayangan. Jika distribusi masukan berubah, prediksi model Anda mungkin menjadi tidak dapat diandalkan. Bayangkan, misalnya, model yang hanya dilatih pada data pakaian musim panas tiba-tiba digunakan untuk memprediksi perilaku pembelian pakaian di musim dingin.