Treinamento dinâmico (on-line)
Confira as opções abaixo.
Qual das afirmações a seguir é verdadeira sobre o treinamento dinâmico (on-line)?
O modelo se mantém atualizado à medida que novos dados chegam.
Esse é o principal benefício do treinamento on-line: podemos evitar muitos
problemas de inatividade, permitindo que o modelo treine com novos dados
conforme eles chegam.
É necessário fazer muito pouco monitoramento dos jobs de treinamento.
Na verdade, você precisa monitorar continuamente os jobs de treinamento para garantir que
eles estejam íntegros e funcionando conforme o esperado. Você também precisará de uma infraestrutura de suporte, como a capacidade de reverter um modelo para um snapshot anterior, caso algo dê errado no treinamento, como um job com bugs ou corrompido nos dados de entrada.
Muito pouco monitoramento de dados de entrada precisa ser feito no momento da inferência.
Assim como um modelo estático e off-line, também é importante monitorar as entradas dos modelos atualizados dinamicamente. Provavelmente não corremos o risco de ter grandes efeitos de sazonalidade, mas mudanças grandes e repentinas nas entradas (como uma fonte de dados upstream) ainda podem gerar previsões não confiáveis.
Treinamento estático (off-line)
Confira as opções abaixo.
Quais das afirmações a seguir são verdadeiras sobre o treinamento estático (off-line)?
O modelo se mantém atualizado à medida que novos dados chegam.
Na verdade, se treinarmos off-line, o modelo não terá como incorporar novos dados à medida que eles chegam. Isso pode levar à inatividade
do modelo se a distribuição que estamos tentando aprender com
as mudanças ao longo do tempo.
É possível verificar o modelo antes de aplicá-lo na produção.
Sim, o treinamento off-line oferece ampla oportunidade para verificar o desempenho do modelo antes de introduzi-lo na produção.
O treinamento off-line requer menos monitoramento de jobs de treinamento do que o treinamento on-line.
Em geral, os requisitos de monitoramento no tempo de treinamento são mais modestos para treinamento off-line, o que nos isola de muitas considerações de produção. No entanto, quanto mais frequência você treinar o modelo, maior será o investimento necessário no monitoramento. Também é importante fazer a validação regular para garantir que as alterações no código e nas dependências não afetem negativamente a qualidade do modelo.
Muito pouco monitoramento de dados de entrada precisa ser feito no momento da inferência.
Por outro lado, você precisa monitorar os dados de entrada no momento da disponibilização. Se as distribuições de entrada mudarem, as previsões do nosso modelo poderão não se tornar confiáveis. Imagine, por exemplo, um modelo treinado apenas com dados de roupas durante o verão sendo usado de repente para prever o comportamento de compra de roupas no inverno.