Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.
8. Kontinuierliches Training
Kontinuierliches Training bedeutet, dass das ML-System maschinelle Lernmodelle automatisch und kontinuierlich neu trainiert, um sie an Änderungen in den Daten anzupassen, bevor sie erneut eingesetzt werden. Mögliche Auslöser für die Neuerstellung sind Datenänderungen, Modelländerungen oder Codeänderungen.
8.1 Prüfungen: Validierung der Modelleingabe |
Es werden Prüfungen durchgeführt, um sicherzustellen, dass die Eingabe eines Modells nicht von einem bestimmten Standard abweicht. Bei der Validierung von Eingaben werden während der Modellwerbung Funktionstests durchgeführt. Dies bedeutet auch, dass Eingabeanforderungen sofort überprüft werden müssen, z. B. mithilfe von Assertionen und Aufzählungstypen. |
8.2 Auslösung durch erneuten Train: geplante Jobs |
Dies ist die grundlegendste Form der Trainingsautomatisierung. Die Umschulung von Modellen erfolgt nach einem Zeitplan (z. B. jede Woche). In diesem Szenario ist die Automatisierung wahrscheinlich gering, da die Ergebnisse vor der Modellwerbung manuell und stichprobenartig überprüft werden. |
8.3 Triggerung beim erneuten Training: neue Trainingsdaten |
Das Retraining wird durch einen Schwellenwert für eingehende Daten eingeleitet. Das Modell kann von Grund auf neu trainiert oder Updates inkrementell ausgeführt werden. Wenn eine bestimmte Datenmenge vorhanden ist, wird ein Trainingsjob gestartet. |
8.4 Triggerung beim Retrain: Leistungseinbußen des Modells |
Diese Technik nutzt Überwachung und Beobachtbarkeit, um das Umschulen von Modellen durchzuführen, und sie erfordert ein ausgereiftes Maß an Automatisierung. Beispielsweise nimmt die Genauigkeit ab einem bestimmten Bereich ab, was als Auslöser für das erneute Trainieren eines Modells mit allen oder einem Teil der Daten dient. |
8.5 Triggerung beim Retrain: Verschiebung der Datenverteilung |
Die Überwachung der Verschiebung der Datenverteilung bietet eine Möglichkeit, mithilfe von Triggern das Modell neu zu trainieren, wenn sich die zugrunde liegenden Daten ändern. Ein Verstoß, der bei einer Änderung des Konzepts oder der Verschiebung der Datenverteilung festgelegt wurde |
