Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.
8. Formation continue
La formation continue signifie que le système de machine learning réentraîne automatiquement et en permanence les modèles d'apprentissage automatique pour s'adapter aux modifications des données avant leur redéploiement. Les déclencheurs possibles de la reconstruction incluent les modifications de données, les modifications de modèle ou les modifications de code.
8.1 Contrôles : validation des entrées du modèle |
Des contrôles sont en place pour vérifier que l'entrée d'un modèle ne s'écarte pas d'une certaine norme. La validation des entrées consiste à effectuer des tests fonctionnels lors de la promotion du modèle. Cela signifie également une vérification immédiate des demandes d'entrée, par exemple en utilisant des assertions et des types énumérés. |
8.2 Déclenchement du recyclage : tâches planifiées |
Il s'agit de la forme la plus élémentaire d'automatisation de la formation. Le recyclage des modèles est établi selon un calendrier (par exemple, chaque semaine). Dans ce scénario, l'automatisation est probablement faible, avec un examen manuel et une vérification ponctuelle des résultats avant la promotion du modèle. |
8.3 Déclenchement du réentraînement : nouvelles données d'entraînement |
Le réentraînement est initié par un seuil de données entrant. Le modèle peut se réentraîner à partir de zéro ou exécuter des mises à jour de manière incrémentielle. Avec une quantité spécifiée de données en place, un travail de formation démarre. |
8.4 Déclenchement du réentraînement : dégradation des performances du modèle |
Cette technique utilise la surveillance et l'observabilité pour exécuter le réentraînement des modèles, et elle nécessite un niveau d'automatisation avancé. Par exemple, la précision diminue à partir d'une plage donnée, ce qui déclenche le réentraînement d'un modèle sur l'ensemble ou une partie des données. |
8.5 Déclenchement du réentraînement : changement de distribution des données |
La surveillance du changement de distribution des données fournit un moyen de définir des déclencheurs pour réentraîner le modèle lorsque ses données sous-jacentes changent. Une violation définie lors d'un changement de concept ou d'un changement de distribution des données |
