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。

# 8. 持续训练
<a name="training"></a>

持续训练意味着，机器学习系统会在重新部署之前自动持续地重新训练机器学习模型，以适应数据的变化。可能的重建触发因素包括数据更改、模型更改或代码更改。


|  |  | 
| --- |--- |
| **8.1 检查：模型输入验证** | 已进行检查，以验证模型的输入是否偏离特定标准。输入验证是指在模型提升期间运行功能测试。还意味着立即验证输入请求，例如使用断言和枚举类型。 | 
| **8.2 重新训练触发：计划作业** | 这是训练自动化的最基本形式。模型重新训练是按计划进行的（例如，每周一次）。在这种情况下，自动化程度可能很低，需要在模型提升之前对结果进行人工审查和抽查。 | 
| **8.3 重新训练触发：新的训练数据** | 重新训练由传入的数据阈值启动。模型可以从头开始重新训练或逐步运行更新。只要有指定数量的数据，训练作业就会开始。 | 
| **8.4 重新训练触发：模型性能下降** | 此技术使用监控和可观测性来运行模型重新训练，且需要成熟的自动化水平。例如，准确率从给定范围下降，这会触发对全部或部分数据重新训练模型。 | 
| **8.5 重新训练触发：数据分布漂移** | 监控数据分布漂移提供了一种设置触发器的方法，以便在模型的底层数据发生变化时对其进行重新训练。在[概念漂移或数据分布漂移](https://aws.amazon.com/blogs/machine-learning/detect-nlp-data-drift-using-custom-amazon-sagemaker-model-monitor/)上设置的违规会启动模型重新训练作业。 |