พูดกว้างๆ ก็คือ มี 2 วิธีในการฝึกโมเดล ดังนี้
- โมเดลแบบคงที่จะได้รับการฝึกแบบออฟไลน์ คือ เราจะฝึกโมเดลเพียงครั้งเดียว
แล้วใช้โมเดลที่ฝึกนั้นไปสักระยะหนึ่ง
- โมเดลแบบไดนามิกจะได้รับการฝึกทางออนไลน์ กล่าวคือ ข้อมูลจะเข้ามายังระบบอย่างต่อเนื่องและเราก็จะรวมข้อมูลดังกล่าวไว้ในโมเดลผ่านการอัปเดตอย่างต่อเนื่อง
การฝึกแบบคงที่กับแบบไดนามิก
กระบวนทัศน์ของระบบ ML: การฝึกอบรม
โมเดลแบบคงที่ -- ฝึกแบบออฟไลน์
กระบวนทัศน์ของระบบ ML: การฝึกอบรม
โมเดลแบบคงที่ -- ฝึกแบบออฟไลน์
โมเดลแบบไดนามิก -- ฝึกอบรมออนไลน์
กระบวนทัศน์ของระบบ ML: การฝึกอบรม
โมเดลแบบคงที่ -- ฝึกแบบออฟไลน์
- สร้างและทดสอบได้ง่าย -- ใช้การฝึกและทดสอบเป็นกลุ่ม ทำซ้ำจนกว่าจะดี
โมเดลแบบไดนามิก -- ฝึกอบรมออนไลน์
กระบวนทัศน์ของระบบ ML: การฝึกอบรม
โมเดลแบบคงที่ -- ฝึกแบบออฟไลน์
- สร้างและทดสอบได้ง่าย -- ใช้การฝึกและทดสอบเป็นกลุ่ม ทำซ้ำจนกว่าจะดี
- ยังคงต้องมีการตรวจสอบอินพุต
โมเดลแบบไดนามิก -- ฝึกอบรมออนไลน์
กระบวนทัศน์ของระบบ ML: การฝึกอบรม
โมเดลแบบคงที่ -- ฝึกแบบออฟไลน์
- สร้างและทดสอบได้ง่าย -- ใช้การฝึกและทดสอบเป็นกลุ่ม ทำซ้ำจนกว่าจะดี
- ยังคงต้องมีการตรวจสอบอินพุต
- ปล่อยให้เรื่องนี้ไม่มีอัปเดตได้ง่ายๆ
โมเดลแบบไดนามิก -- ฝึกอบรมออนไลน์
กระบวนทัศน์ของระบบ ML: การฝึกอบรม
โมเดลแบบคงที่ -- ฝึกแบบออฟไลน์
- สร้างและทดสอบได้ง่าย -- ใช้การฝึกและทดสอบเป็นกลุ่ม ทำซ้ำจนกว่าจะดี
- ยังคงต้องมีการตรวจสอบอินพุต
- ปล่อยให้เรื่องนี้ไม่มีอัปเดตได้ง่ายๆ
โมเดลแบบไดนามิก -- ฝึกอบรมออนไลน์
- ป้อนข้อมูลการฝึกอย่างต่อเนื่องต่อไป และซิงค์เวอร์ชันอัปเดตเป็นประจำ
- ใช้การตรวจสอบแบบก้าวหน้าแทนการฝึกและการทดสอบแบบกลุ่ม
กระบวนทัศน์ของระบบ ML: การฝึกอบรม
โมเดลแบบคงที่ -- ฝึกแบบออฟไลน์
- สร้างและทดสอบได้ง่าย -- ใช้การฝึกและทดสอบเป็นกลุ่ม ทำซ้ำจนกว่าจะดี
- ยังคงต้องมีการตรวจสอบอินพุต
- ปล่อยให้เรื่องนี้ไม่มีอัปเดตได้ง่ายๆ
โมเดลแบบไดนามิก -- ฝึกอบรมออนไลน์
- ป้อนข้อมูลการฝึกอย่างต่อเนื่องต่อไป และซิงค์เวอร์ชันอัปเดตเป็นประจำ
- ใช้การตรวจสอบแบบก้าวหน้าแทนการฝึกและการทดสอบแบบกลุ่ม
- ต้องมีความสามารถในการตรวจสอบ การย้อนกลับโมเดล และความสามารถในการกักบริเวณข้อมูล
- จะปรับตัวตามการเปลี่ยนแปลง หลีกเลี่ยงปัญหาการไม่มีอัปเดต
สรุปการบรรยายผ่านวิดีโอ
หรือพูดกว้างๆ ก็คือ ประเด็นต่อไปนี้จะมีอำนาจตัดสินการฝึกแบบคงที่และแบบไดนามิก
- โมเดลแบบคงที่นั้นสร้างและทดสอบได้ง่ายกว่า
- โมเดลแบบไดนามิกจะปรับให้เข้ากับข้อมูลที่เปลี่ยนแปลง
โลกของเราเป็นสถานที่ที่เปลี่ยนแปลงไปอย่างมาก การคาดการณ์ยอดขายที่สร้างจากข้อมูลของปีที่แล้วไม่น่าจะคาดการณ์ผลลัพธ์ของปีหน้าได้สำเร็จ
หากชุดข้อมูลไม่มีการเปลี่ยนแปลงเมื่อเวลาผ่านไป ให้เลือกการฝึกแบบคงที่เพราะสร้างและบำรุงรักษาถูกกว่าการฝึกแบบไดนามิก
อย่างไรก็ตาม แหล่งข้อมูลหลายแหล่งมีการเปลี่ยนแปลงเมื่อเวลาผ่านไป แม้แต่แหล่งข้อมูลที่มีคุณลักษณะที่คุณคิดว่าคงที่พอๆ กับระดับน้ำทะเล เป็นต้น
ทางศีลธรรม: แม้จะมีการฝึกแบบคงที่ คุณยังต้องตรวจสอบข้อมูลอินพุตเพื่อการเปลี่ยนแปลง
ตัวอย่างเช่น ลองใช้โมเดลที่ฝึกให้คาดการณ์ความน่าจะเป็นที่ผู้ใช้จะซื้อดอกไม้ เนื่องจากแรงกดดันด้านเวลา โมเดลจึงได้รับการฝึกเพียงครั้งเดียวโดยใช้ชุดข้อมูลพฤติกรรมการซื้อดอกไม้ในช่วงเดือนกรกฎาคมและสิงหาคม
จากนั้นจะมีการจัดส่งโมเดลเพื่อให้บริการการคาดการณ์ในเวอร์ชันที่ใช้งานจริง
แต่จะไม่อัปเดต โมเดลนี้ทำงานได้ดีเป็นเวลาหลายเดือน แต่หลังจากนั้นก็ทำการคาดคะเนเกี่ยวกับวันวาเลนไทน์ที่แย่มาก เนื่องจากพฤติกรรมของผู้ใช้ในช่วงวันหยุดเทศกาลนั้นเปลี่ยนแปลงไปอย่างมาก
