本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。

# 增量转导工作流程
<a name="machine-learning-overview-evolving-data-incremental"></a>

虽然您只需重新运行第一步到第三步（从**数据导出和配置**到**模型转换**）即可更新模型构件，但 Neptune ML 支持更的简单方法以使用新数据更新批量 ML 预测。一种是使用[增量模型工作流程](#machine-learning-overview-incremental)，另一种是使用[通过热启动进行模型再训练](#machine-learning-overview-model-retraining)。

## 增量模型工作流程
<a name="machine-learning-overview-incremental"></a>

在此工作流程中，您无需重新训练机器学习模型即可更新 ML 预测。

**注意**  
只有在使用新节点和/或边缘更新图形数据后，才能执行此操作。当节点被移除时，它目前无法运行。

1. **数据导出和配置** - 此步骤与主工作流程中的步骤相同。

1. **增量数据预处理** - 此步骤与主工作流程中的数据预处理步骤类似，但使用的处理配置与之前使用的处理配置相同，对应于特定的经过训练的模型。

1. **模型转换** - 此模型转换步骤不是模型训练步骤，而是从主工作流程中获取经过训练的模型和增量数据预处理步骤的结果，并生成用于推理的新模型构件。模型转换步骤启动 SageMaker AI 处理任务，以执行生成更新后的模型构件的计算。

1. **更新 Amazon SageMaker AI 推理端点** –（可选）如果您具有现有的推理端点，则此步骤会使用模型转换步骤生成的新模型构件更新端点。或者，也可以使用新的模型构件创建新的推理端点。

## 通过热启动进行模型再训练
<a name="machine-learning-overview-model-retraining"></a>

使用此工作流程，您可以训练和部署新的机器学习模型，以便使用增量图形数据进行预测，但要从使用主工作流程生成的现有模型开始：

1. **数据导出和配置** - 此步骤与主工作流程中的步骤相同。

1. **增量数据预处理** - 此步骤与增量模型推理工作流程中的步骤相同。新的图形数据应该使用以前用于模型训练的相同处理方法进行处理。

1. **通过热启动进行模型训练** – 模型训练与主工作流程中发生的情况类似，但您可以利用先前模型训练任务中的信息来加快模型超参数搜索的速度。

1. **更新 Amazon SageMaker AI 推理端点** – 此步骤与增量模型推理工作流程中的步骤相同。