เมื่อติดตั้งใช้งานโมเดล ให้เริ่มต้นแบบง่าย งานส่วนใหญ่ใน ML เกี่ยวข้องกับด้านข้อมูล ดังนั้นการทำให้ไปป์ไลน์ทำงานอย่างเต็มรูปแบบสําหรับโมเดลที่ซับซ้อนจึงทําได้ยากกว่าการปรับปรุงโมเดล หลังจากตั้งค่าไปป์ไลน์ข้อมูลและติดตั้งใช้งานโมเดลแบบง่ายที่ใช้ฟีเจอร์เพียงไม่กี่รายการแล้ว คุณสามารถทําซ้ำการสร้างโมเดลที่ดีขึ้นได้
โมเดลที่เรียบง่ายเป็นข้อมูลพื้นฐานที่ดี แม้ว่าคุณจะไม่ได้เปิดตัวโมเดลดังกล่าวก็ตาม อันที่จริงแล้ว การใช้รูปแบบที่เรียบง่ายอาจดีกว่าที่คุณคิด การเริ่มต้นแบบง่ายจะช่วยคุณพิจารณาว่าโมเดลที่ซับซ้อนนั้นจําเป็นหรือไม่
การฝึกโมเดลของคุณเองเทียบกับการใช้โมเดลที่ผ่านการฝึกมาแล้ว
โมเดลที่ผ่านการฝึกอบรมมีไว้สำหรับกรณีการใช้งานที่หลากหลายและมีข้อดีหลายประการ อย่างไรก็ตาม โมเดลที่ผ่านการฝึกจะใช้งานได้ก็ต่อเมื่อป้ายกำกับและฟีเจอร์ตรงกับชุดข้อมูลของคุณทุกประการ ตัวอย่างเช่น หากโมเดลที่ผ่านการฝึกใช้ฟีเจอร์ 25 รายการ แต่ชุดข้อมูลของคุณมีเพียง 24 รายการ โมเดลที่ผ่านการฝึกมีแนวโน้มที่จะทําการคาดการณ์ที่ไม่ถูกต้อง
โดยทั่วไป ผู้ปฏิบัติงานด้าน ML จะใช้ส่วนย่อยที่ตรงกันของอินพุตจากโมเดลที่ผ่านการฝึกแล้วเพื่อปรับแต่งหรือการเรียนรู้แบบโอน หากไม่มีโมเดลที่ผ่านการฝึกสำหรับกรณีการใช้งานหนึ่งๆ ให้พิจารณาใช้ส่วนย่อยจากโมเดลที่ผ่านการฝึกแล้วเมื่อฝึกโมเดลของคุณเอง
ดูข้อมูลเกี่ยวกับโมเดลที่ผ่านการฝึกได้ที่
การตรวจสอบ
ในระหว่างการกําหนดปัญหา ให้พิจารณาโครงสร้างพื้นฐานการตรวจสอบและการแจ้งเตือนที่โซลูชัน ML ต้องการ
การทำให้โมเดลใช้งานได้
ในบางกรณี โมเดลที่ฝึกใหม่อาจมีประสิทธิภาพต่ำกว่าโมเดลที่ใช้อยู่ในขณะนี้ หากเป็นเช่นนั้น คุณจะต้องป้องกันไม่ให้เผยแพร่เวอร์ชันดังกล่าวในเวอร์ชันที่ใช้งานจริง และรับการแจ้งเตือนว่าการติดตั้งใช้งานอัตโนมัติไม่สำเร็จ
ความคลาดเคลื่อนระหว่างการฝึกและการให้บริการ
หากฟีเจอร์ขาเข้าที่ใช้สำหรับการอนุมานมีค่าที่อยู่นอกช่วงการแจกแจงของข้อมูลที่ใช้ในการฝึก คุณควรได้รับการแจ้งเตือนเนื่องจากมีแนวโน้มว่าโมเดลจะคาดการณ์ได้ไม่ดี ตัวอย่างเช่น หากโมเดลได้รับการฝึกให้คาดการณ์อุณหภูมิของเมืองในเขตเส้นศูนย์สูตรที่ระดับน้ำทะเล ระบบการแสดงผลควรแจ้งเตือนคุณเกี่ยวกับข้อมูลที่เข้ามาซึ่งมีละติจูดและลองจิจูด และ/หรือระดับความสูงที่อยู่นอกช่วงที่โมเดลได้รับการฝึก ในทางกลับกัน ระบบการแสดงโฆษณาควรแจ้งเตือนคุณหากโมเดลทำการคาดการณ์ที่อยู่นอกช่วงการแจกแจงที่พบระหว่างการฝึก
เซิร์ฟเวอร์การอนุมาน
หากให้คําสรุปผ่านระบบ RPC คุณจะต้องตรวจสอบเซิร์ฟเวอร์ RPC เองและรับการแจ้งเตือนหากเซิร์ฟเวอร์หยุดให้คําสรุป