Comparaison des modèles statique et dynamique

En général, il existe deux façons d'entraîner un modèle :

  • Un modèle statique est entraîné hors ligne. Dans ce cas, il est entraîné une seule fois avant d'être utilisé tel quel pendant un certain temps.
  • Un modèle dynamique est entraîné en ligne. Dans ce cas, les données, qui alimentent continuellement le système, sont intégrées dans le modèle par le biais de mises à jour régulières.

Comparaison des modèles statique et dynamique

Paradigmes du ML : entraînement des modèles

Modèle statique : entraînement hors ligne

Paradigmes du ML : entraînement des modèles

Modèle statique : entraînement hors ligne

Modèle dynamique : entraînement en ligne

Paradigmes du ML : entraînement des modèles

Modèle statique : entraînement hors ligne

  • Facile à créer et à tester : effectuez un entraînement et une évaluation par lot du modèle en créant autant d'itérations que nécessaire jusqu'au résultat escompté.

Modèle dynamique : entraînement en ligne

Paradigmes du ML : entraînement des modèles

Modèle statique : entraînement hors ligne

  • Facile à créer et à tester : effectuez un entraînement et une évaluation par lot du modèle en créant autant d'itérations que nécessaire jusqu'au résultat escompté.
  • Continue à nécessiter la surveillance des entrées.

Modèle dynamique : entraînement en ligne

Paradigmes du ML : entraînement des modèles

Modèle statique : entraînement hors ligne

  • Facile à créer et à tester : effectuez un entraînement et une évaluation par lot du modèle en créant autant d'itérations que nécessaire jusqu'au résultat escompté.
  • Continue à nécessiter la surveillance des entrées.
  • Le modèle peut vite devenir obsolète.

Modèle dynamique : entraînement en ligne

Paradigmes du ML : entraînement des modèles

Modèle statique : entraînement hors ligne

  • Facile à créer et à tester : effectuez un entraînement et une évaluation par lot du modèle en créant autant d'itérations que nécessaire jusqu'au résultat escompté.
  • Continue à nécessiter la surveillance des entrées.
  • Le modèle peut vite devenir obsolète.

Modèle dynamique : entraînement en ligne

  • L'alimentation continue du système avec des données d'apprentissage suppose la synchronisation des différentes versions.
  • Implique une validation progressive au lieu d'entraînements et d'évaluations par lot.

Paradigmes du ML : entraînement des modèles

Modèle statique : entraînement hors ligne

  • Facile à créer et à tester : effectuez un entraînement et une évaluation par lot du modèle en créant autant d'itérations que nécessaire jusqu'au résultat escompté.
  • Continue à nécessiter la surveillance des entrées.
  • Le modèle peut vite devenir obsolète.

Modèle dynamique : entraînement en ligne

  • L'alimentation continue du système avec des données d'apprentissage suppose la synchronisation des différentes versions.
  • Implique une validation progressive au lieu d'entraînements et d'évaluations par lot.
  • Nécessite des fonctionnalités de surveillance, de rollback du modèle et de mise en quarantaine des données.
  • Le risque d'anachronisme est évité, car le modèle s'adapte aux changements.

Résumé du cours vidéo

En général, les points suivants déterminent le choix entre l'apprentissage statique et l'apprentissage dynamique :

  • Les modèles statiques sont plus faciles à créer et à tester.
  • Les modèles dynamiques s'adaptent à l'évolution des données. Le monde qui nous entoure change constamment. Par exemple, il est peu probable que les données qui ont permis de prévoir les ventes l'année passée aboutissent au même résultat l'année prochaine.

Si votre ensemble de données ne change pas du tout, optez pour l'apprentissage statique. Sa création et sa maintenance sont plus économiques que l'apprentissage dynamique. Toutefois, dans de nombreux cas, les sources d'information évoluent, même celles que l'on pourrait penser constantes, telles que le niveau de la mer. Autrement dit, même avec l'apprentissage statique, vous devez être à l'affût du moindre changement possible.

Prenons l'exemple d'un modèle entraîné pour prédire la probabilité avec laquelle les utilisateurs achèteront des fleurs. Supposons que, par manque de temps, ce modèle n'ait été entraîné qu'une seule fois avec un ensemble de données basé sur le comportement des acheteurs de fleurs pendant les mois de juillet et août. Ce modèle, qui ne sera jamais mis à jour, sera utilisé par l'équipe de production pour anticiper les besoins. Ses prédictions seront justes pendant un temps jusqu'à ce qu'arrive un événement particulier tel que la Fête de la Saint-Valentin, marquée par un comportement d'achat totalement différent du reste de l'année.

Envoyer des commentaires concernant…

Cours d'initiation au machine learning