Mô hình học máy trong môi trường sản xuất

Hãy nói rằng một Mô hình đã được đào tạo vào ngày bằng cách sử dụng dữ liệu được dán nhãn sẵn, chia thành đào tạo và kiểm tra, ví dụ: , . Mô hình này sau đó được triển khai trong sản xuất và đưa ra dự đoán về dữ liệu mới đến. Một số ngày trôi qua và có một loạt dữ liệu được dán nhãn được thu thập ở giữa và ngày, hãy gọi nó là . Theo cách tiếp cận hiện tại của tôi, tôi lấy các mẫu ngẫu nhiên ra khỏi (lấy ví dụ: chia 80/20),$dt1$$train_{dt1}$$test_{dt1}$$X$$dt1$$dt1 + X$$Data_x$$DATA_x$

Vì vậy, của = train_x (dữ liệu mới được sử dụng để tinh chỉnh các mô hình hiện có đào tạo về dt1 ) 20 \% của Dữ liệu X = test_x (dữ liệu mới được thêm vào test_ {dt1} )$80\%$$DATA_x$$train_x$$dt1$$20\%$$DATA_x$$test_x$$test_{dt1}$

Quá trình tinh chỉnh này lặp đi lặp lại khi thời gian trôi qua.

Bằng cách này, tôi nhận được một bộ thử nghiệm mở rộng hơn bao giờ hết, cũng như tôi ngăn chặn việc đào tạo lại toàn bộ mô hình (về cơ bản tôi có thể vứt bỏ dữ liệu cũ như mô hình đã học được từ nó). Mô hình mới được tạo ra chỉ là một phiên bản tinh chỉnh của mô hình cũ.

Tôi có một số câu hỏi, liên quan đến phương pháp này:

1. Có bất kỳ nhược điểm rõ ràng trong việc này?
2. Liệu mô hình có bao giờ cần phải được đào tạo lại hoàn toàn (quên mọi thứ đã học trước đó và huấn luyện mô hình với các phân tách thử nghiệm / đào tạo mới) sau một thời gian hay cách tiếp cận mà tôi mô tả ở trên có thể tiếp tục vô thời hạn không?
3. Điều gì sẽ là điều kiện để hoán đổi mô hình đã triển khai với mô hình mới được tinh chỉnh?

Tôi nghĩ rằng đây là một cách tiếp cận tốt nói chung. Tuy nhiên:

• Tinh chỉnh mô hình của bạn (học trực tuyến) phụ thuộc rất nhiều vào thuật toán và mô hình hóa việc này hoạt động tốt như thế nào. Tùy thuộc vào thuật toán của bạn, có thể là khôn ngoan để đào tạo lại toàn bộ

• Không gian mẫu của bạn có thể thay đổi thêm giờ. Nếu bạn có đủ dữ liệu, có thể đào tạo lại cứ sau vài ngày / tuần / tháng so với giá trị dữ liệu của năm trước có thể tốt hơn. Nếu các mẫu cũ của bạn không đại diện cho tình huống hiện tại cũng như việc bao gồm chúng có thể ảnh hưởng đến hiệu suất của bạn nhiều hơn các mẫu bổ sung giúp

• Điều kiện lớn nhất là nếu nó được thử nghiệm và bao nhiêu thời gian chết, nhưng nói chung, trao đổi nhiều lần hơn là tốt hơn và điều này có thể được tự động hóa

Nó chủ yếu phụ thuộc vào loại học thuật toán ml của bạn. Đối với học ngoại tuyến: đào tạo lại toàn bộ điều là khôn ngoan vì một số thuật toán yêu cầu dữ liệu đầy đủ của bạn để tạo ra giả định tốt hơn. Học trực tuyến: Mô hình của bạn có thể được điều chỉnh phù hợp với dữ liệu gần đây hoặc mới nhất với cập nhật trong mô hình khi dữ liệu đến.