Entrenamiento estático o dinámico

En términos generales, hay dos formas de entrenar un modelo:

  • Un modelo estático se entrena sin conexión. Es decir, entrenamos el modelo exactamente una vez y usamos ese modelo entrenado durante un tiempo.
  • Un modelo dinámico se entrena en línea. Es decir, los datos ingresan de forma continua al sistema, y estos se incorporan al modelo a través de actualizaciones continuas.

Entrenamiento estático o dinámico

El modelo estático se entrena sin conexión.

El modelo estático se entrena sin conexión.

El modelo dinámico se entrena en línea.

El modelo estático se entrena sin conexión.

  • Es fácil de compilar y probar; usa entrenamiento y pruebas por lotes, e itera hasta que funcione bien.

El modelo dinámico se entrena en línea.

El modelo estático se entrena sin conexión.

  • Es fácil de compilar y probar; usa entrenamiento y pruebas por lotes, e itera hasta que funcione bien.
  • Aún requiere la supervisión de las entradas.

El modelo dinámico se entrena en línea.

El modelo estático se entrena sin conexión.

  • Es fácil de compilar y probar; usa entrenamiento y pruebas por lotes, e itera hasta que funcione bien.
  • Aún requiere la supervisión de las entradas.
  • Es fácil dejar que esto se vuelva obsoleto.

El modelo dinámico se entrena en línea.

El modelo estático se entrena sin conexión.

  • Es fácil de compilar y probar; usa entrenamiento y pruebas por lotes, e itera hasta que funcione bien.
  • Aún requiere la supervisión de las entradas.
  • Es fácil dejar que esto se vuelva obsoleto.

El modelo dinámico se entrena en línea.

  • Continúa proporcionando datos de entrenamiento a lo largo del tiempo y sincroniza periódicamente la versión actualizada.
  • Usa la validación progresiva en lugar del entrenamiento y las pruebas por lotes.

El modelo estático se entrena sin conexión.

  • Es fácil de compilar y probar; usa entrenamiento y pruebas por lotes, e itera hasta que funcione bien.
  • Aún requiere la supervisión de las entradas.
  • Es fácil dejar que esto se vuelva obsoleto.

El modelo dinámico se entrena en línea.

  • Continúa proporcionando datos de entrenamiento a lo largo del tiempo y sincroniza periódicamente la versión actualizada.
  • Usa la validación progresiva en lugar del entrenamiento y las pruebas por lotes
  • Requiere capacidades de supervisión, reversión de modelos y cuarentena de datos
  • Se adaptará a los cambios y se evitarán los problemas de inactividad.

Resumen de la clase en video

En términos generales, los siguientes puntos dominan la decisión entre el entrenamiento estático y el dinámico:

  • Los modelos estáticos son más fáciles de compilar y probar.
  • Los modelos dinámicos se adaptan a los datos cambiantes. El mundo es un lugar altamente cambiante. Es poco probable que las predicciones de ventas creadas a partir de los datos del año pasado predigan con éxito los resultados del año siguiente.

Si tu conjunto de datos realmente no cambia con el tiempo, elige el entrenamiento estático, ya que es más económico de crear y mantener que el entrenamiento dinámico. Sin embargo, muchas fuentes de información realmente cambian con el tiempo, incluso aquellas con atributos que crees que son tan constantes como, por ejemplo, el nivel del mar. Moraleja: Incluso con el entrenamiento estático, de todos modos debes supervisar tus datos de entrada para detectar cambios.

Por ejemplo, considera un modelo entrenado para predecir la probabilidad de que los usuarios compren flores. Debido a la presión del tiempo, el modelo se entrena una sola vez con un conjunto de datos del comportamiento de compra de flores durante julio y agosto. Luego, el modelo se pone en funcionamiento para entregar predicciones en producción, pero nunca se actualiza. El modelo funciona bien durante varios meses, pero luego realiza predicciones muy desacertadas en torno al Día de San Valentín porque el comportamiento de los usuarios durante ese período festivo cambia drásticamente.