Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.
8. Formazione continua
La formazione continua significa che il sistema ML riqualifica automaticamente e continuamente i modelli di machine learning per adattarli alle modifiche dei dati prima che vengano ridistribuiti. I possibili fattori scatenanti per la ricostruzione includono modifiche ai dati, modifiche al modello o modifiche al codice.
8.1 Controlli: convalida dell'input del modello |
Sono in atto controlli per verificare che l'input di un modello non si discosti da un determinato standard. La convalida degli input significa eseguire test funzionali durante la promozione del modello. Significa anche avere una verifica immediata delle richieste di input, ad esempio utilizzando asserzioni e tipi enumerati. |
8.2 Attivazione della riqualificazione: lavori pianificati |
Questa è la forma più elementare di automazione della formazione. La riqualificazione del modello è impostata su un programma (ad esempio, ogni settimana). In questo scenario, l'automazione è probabilmente bassa, con una revisione manuale e un controllo a campione dei risultati prima della promozione del modello. |
8.3 Retrain Trigger: nuovi dati di allenamento |
La riqualificazione viene avviata da una soglia di dati in entrata. Il modello può riqualificarsi da zero o eseguire aggiornamenti in modo incrementale. Data una determinata quantità di dati disponibile, inizia un processo di formazione. |
8.4 Attivazione della ritrasmissione: degrado delle prestazioni del modello |
Questa tecnica utilizza il monitoraggio e l'osservabilità per eseguire la riqualificazione del modello e richiede un livello di automazione maturo. Ad esempio, la precisione diminuisce rispetto a un determinato intervallo, il che funge da fattore scatenante per la riqualificazione di un modello su tutti o parte dei dati. |
8.5 Attivazione della ritrasmissione: spostamento della distribuzione dei dati |
Il monitoraggio dello spostamento della distribuzione dei dati fornisce un modo per impostare i trigger per riqualificare il modello quando i dati sottostanti cambiano. Una violazione causata da un cambio di concetto o di distribuzione dei dati |
