Динамическое (онлайн) обучение
Изучите варианты ниже.
Какое из следующих утверждений верно в отношении динамического (онлайн) обучения?
Модель обновляется по мере поступления новых данных.
Это основное преимущество онлайн-обучения: мы можем избежать многих проблем устаревания, позволяя модели обучаться на новых данных по мере их поступления.
Необходимо очень незначительное наблюдение за учебными работами.
На самом деле, вы должны постоянно следить за учебными заданиями, чтобы убедиться, что они здоровы и работают по назначению. Вам также понадобится вспомогательная инфраструктура, например возможность откатить модель к предыдущему снимку в случае, если что-то пойдет не так в обучении, например ошибка в задании или повреждение входных данных.
Во время вывода требуется очень небольшой мониторинг входных данных.
Как и в случае со статической автономной моделью, важно отслеживать входные данные для динамически обновляемых моделей. Вероятно, мы не подвергаемся риску серьезных сезонных эффектов, но внезапные и большие изменения во входных данных (например, выход из строя верхнего источника данных) все равно могут привести к ненадежным прогнозам.
Статическое (оффлайн) обучение
Изучите варианты ниже.
Какие из следующих утверждений верны в отношении статического (оффлайн) обучения?
Модель обновляется по мере поступления новых данных.
На самом деле, если мы обучаемся в автономном режиме, модель не сможет включать новые данные по мере их поступления. Это может привести к устареванию модели, если распределение, которое мы пытаемся изучить, со временем изменится.
Вы можете проверить модель перед ее применением в производстве.
Да, автономное обучение дает широкие возможности проверить производительность модели перед ее внедрением в производство.
Офлайн-обучение требует меньшего контроля за учебными заданиями, чем онлайн-обучение.
В целом, требования к мониторингу во время обучения более скромные для офлайн-обучения, что изолирует нас от многих производственных соображений. Однако чем чаще вы обучаете свою модель, тем больше инвестиций вам придется вкладывать в мониторинг. Вам также необходимо регулярно проводить проверку, чтобы гарантировать, что изменения в вашем коде (и его зависимостях) не влияют отрицательно на качество модели.
Во время вывода требуется очень небольшой мониторинг входных данных.
Как ни странно, вам необходимо отслеживать входные данные во время обслуживания. Если входные распределения изменятся, предсказания нашей модели могут стать ненадежными. Представьте себе, например, что модель, обученная только на данных об одежде в летнее время, внезапно используется для прогнозирования покупательского поведения в зимнее время.