本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

# 增量直推式工作流程
<a name="machine-learning-overview-evolving-data-incremental"></a>

儘管您只需重新執行步驟一到三 (從**資料匯出和組態**到**模型轉換**) 即可更新模型成品，但 Neptune ML 支援更簡單的方法，以使用新資料更新批次 ML 預測。一種是使用[增量模型工作流程](#machine-learning-overview-incremental)，而另一種則是使用[透過暖啟動進行模型重新訓練](#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，您可以更新 ML 預測，而無需要重新訓練 ML 模型。

**注意**  
只有當圖形資料已使用新的節點和/或邊緣進行更新時，您才能執行此操作。目前，當節點遭刪除時，它無法運作。

1. **資料匯出和組態** – 此步驟與主工作流程中的步驟相同。

1. **增量資料預先處理** – 此步驟類似於主工作流程中的資料預先處理步驟，但使用先前使用的相同處理組態，此組態對應至特定的訓練模型。

1. **模型轉換** – 此模型轉換步驟不是模型訓練步驟，而是從主工作流程和增量資料預先處理步驟的結果中取得訓練模型，並產生要用於推論的新模型成品。模型轉換步驟會啟動 SageMaker AI 處理任務，以執行產生更新模型成品的運算。

1. **更新 Amazon SageMaker AI 推論端點** – 或者，如果您有現有的推論端點，此步驟會使用模型轉換步驟所產生的新模型成品來更新端點。或者，您也可以使用新的模型成品建立新的推論端點。

## 透過暖啟動進行模型重新訓練
<a name="machine-learning-overview-model-retraining"></a>

使用此工作流程，您可以訓練和部署新的 ML 模型，以使用增量圖形資料進行預測，但是從使用主工作流程產生的現有模型開始：

1. **資料匯出和組態** – 此步驟與主工作流程中的步驟相同。

1. **增量資料預先處理** – 此步驟與增量模型推論工作流程中的步驟相同。新的圖形資料應該使用先前用於模型訓練的相同處理方法來處理。

1. **透過暖啟動進行模型訓練** – 模型訓練類似於主工作流程中發生的情況，但是您可以利用來自先前模型訓練任務的資訊來加速模型超參數搜尋。

1. **更新 Amazon SageMaker AI 推論端點** – 此步驟與增量模型推論工作流程中的相同。