Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
8. Pelatihan berkelanjutan
Pelatihan berkelanjutan berarti bahwa sistem ML secara otomatis dan terus menerus melatih ulang model pembelajaran mesin untuk beradaptasi dengan perubahan data sebelum digunakan kembali. Kemungkinan pemicu untuk membangun kembali termasuk perubahan data, perubahan model, atau perubahan kode.
8.1 Cek: validasi masukan model |
Pemeriksaan dilakukan untuk memverifikasi input model tidak menyimpang dari standar tertentu. Validasi input berarti menjalankan pengujian fungsional selama promosi model. Ini juga berarti memiliki verifikasi langsung permintaan input, seperti menggunakan pernyataan dan jenis yang disebutkan. |
8.2 Melatih kembali pemicu: pekerjaan terjadwal |
Ini adalah bentuk paling dasar dari otomatisasi pelatihan. Pelatihan ulang model diatur sesuai jadwal (misalnya, setiap minggu). Dalam skenario ini, otomatisasi kemungkinan rendah, dengan tinjauan manual dan pemeriksaan spot pada hasil sebelum promosi model. |
8.3 Melatih kembali pemicu: data pelatihan baru |
Pelatihan ulang dimulai oleh ambang data yang masuk. Model dapat melatih ulang dari awal atau menjalankan pembaruan secara bertahap. Mengingat jumlah data tertentu di tempat, pekerjaan pelatihan dimulai. |
8.4 Melatih kembali pemicu: degradasi kinerja model |
Teknik ini menggunakan pemantauan dan observabilitas untuk menjalankan pelatihan ulang model, dan membutuhkan tingkat otomatisasi yang matang. Misalnya, akurasi menurun dari rentang tertentu, yang bertindak sebagai pemicu untuk melatih ulang model pada semua atau sebagian data. |
8.5 Melatih kembali pemicu: pergeseran distribusi data |
Pemantauan pergeseran distribusi data menyediakan cara mengatur pemicu untuk melatih kembali model ketika data yang mendasarinya berubah. Pelanggaran yang ditetapkan pada pergeseran konsep atau pergeseran distribusi data |
