Mit Sammlungen den Überblick behalten
Sie können Inhalte basierend auf Ihren Einstellungen speichern und kategorisieren.
Im Großen und Ganzen gibt es zwei Möglichkeiten, ein Modell zu trainieren:
Ein statisches Modell wird offline trainiert. Das heißt, wir trainieren das Modell genau einmal und verwenden dieses trainierte Modell dann eine Zeit lang.
Ein dynamisches Modell wird online trainiert. Das heißt, Daten gelangen ständig in das System ein und wir beziehen diese Daten durch kontinuierliche Aktualisierungen in das Modell ein.
Statisches oder dynamisches Training
ML-Systemparadigmen: Training
Statisches Modell – offline trainiert
ML-Systemparadigmen: Training
Statisches Modell – offline trainiert
Dynamisches Modell – online trainiert
ML-Systemparadigmen: Training
Statisches Modell – offline trainiert
Einfach zu erstellen und zu testen – nutzen Sie Batch-Training und -Test und wiederholen Sie den Vorgang, bis alles in Ordnung ist.
Dynamisches Modell – online trainiert
ML-Systemparadigmen: Training
Statisches Modell – offline trainiert
Einfach zu erstellen und zu testen – nutzen Sie Batch-Training und -Test und wiederholen Sie den Vorgang, bis alles in Ordnung ist.
Erfordert weiterhin Überwachung von Eingaben
Dynamisches Modell – online trainiert
ML-Systemparadigmen: Training
Statisches Modell – offline trainiert
Einfach zu erstellen und zu testen – nutzen Sie Batch-Training und -Test und wiederholen Sie den Vorgang, bis alles in Ordnung ist.
Erfordert weiterhin Überwachung von Eingaben
Es ist leicht zu überlassen, dass dies veraltet ist.
Dynamisches Modell – online trainiert
ML-Systemparadigmen: Training
Statisches Modell – offline trainiert
Einfach zu erstellen und zu testen – nutzen Sie Batch-Training und -Test und wiederholen Sie den Vorgang, bis alles in Ordnung ist.
Erfordert weiterhin Überwachung von Eingaben
Es ist leicht zu überlassen, dass dies veraltet ist.
Dynamisches Modell – online trainiert
Geben Sie die Trainingsdaten regelmäßig ein und synchronisieren Sie regelmäßig die aktualisierte Version.
Verwenden Sie statt des Batchtrainings und -tests die progressive Validierung.
ML-Systemparadigmen: Training
Statisches Modell – offline trainiert
Einfach zu erstellen und zu testen – nutzen Sie Batch-Training und -Test und wiederholen Sie den Vorgang, bis alles in Ordnung ist.
Erfordert weiterhin Überwachung von Eingaben
Es ist leicht zu überlassen, dass dies veraltet ist.
Dynamisches Modell – online trainiert
Geben Sie die Trainingsdaten regelmäßig ein und synchronisieren Sie regelmäßig die aktualisierte Version.
Progressive Validierung statt Batchtraining und -tests verwenden
Erfordert Monitoring, Modell-Rollback und Funktionen zur Datenquarantäne
Anpassung an Änderungen und Vermeidung von veralteten Problemen
Zusammenfassung der Videovorlesung
Im Großen und Ganzen bestimmen die folgenden Punkte die statische und dynamische Trainingsentscheidung:
Statische Modelle lassen sich einfacher erstellen und testen.
Dynamische Modelle passen sich an sich verändernde Daten an.
Die Welt ist ein stark wandelbarer Ort. Es ist unwahrscheinlich, dass Umsatzprognosen, die auf den Daten des letzten Jahres basieren, die Ergebnisse des nächsten Jahres erfolgreich vorhersagen werden.
Wenn sich Ihr Dataset im Laufe der Zeit wirklich nicht ändert, sollten Sie sich für statisches Training entscheiden, da es günstiger ist, es zu erstellen und zu verwalten als dynamisches Training.
Viele Informationsquellen ändern sich jedoch im Laufe der Zeit wirklich, selbst solche mit Merkmalen, von denen Sie glauben, dass sie so konstant wie der Meeresspiegel sind.
Die Moral: Selbst bei statischem Training müssen Sie Ihre Eingabedaten weiterhin auf Veränderungen überwachen.
Nehmen wir als Beispiel ein Modell, das darauf trainiert wurde, die Wahrscheinlichkeit vorherzusagen, dass Nutzer Blumen kaufen werden. Aufgrund des Zeitdrucks wird das Modell nur einmal mit einem Dataset zum Kaufverhalten von Blumen im Juli und August trainiert.
Das Modell wird dann für Vorhersagen in der Produktion gesendet, jedoch nie aktualisiert. Das Modell funktioniert mehrere Monate lang gut, macht dann aber rund um den Valentinstag schlechte Vorhersagen, da sich das Nutzerverhalten in dieser Zeit drastisch ändert.
