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。

# 8. 持續訓練
<a name="training"></a>

持續訓練表示 ML 系統會自動並持續重新訓練機器學習模型，以適應重新部署資料之前的資料變更。重建的可能觸發條件包括資料變更、模型變更或程式碼變更。


|  |  | 
| --- |--- |
| **8.1 檢查：模型輸入驗證** | 已進行檢查，以確認模型的輸入未偏離特定標準。輸入驗證表示在模型提升期間執行功能測試。它還意味著立即驗證輸入請求，例如使用聲明和列舉類型。 | 
| **8.2 重新訓練觸發：排程任務** | 這是最基本的訓練自動化形式。模型重新訓練是根據排程設定 （例如，每週）。在此案例中，自動化可能很低，在提升模型之前手動檢閱並對結果進行 Spot 檢查。 | 
| **8.3 重新訓練觸發：新的訓練資料** | 重新訓練是由傳入的資料閾值啟動。模型可以從頭開始重新訓練或逐步執行更新。根據指定的資料量，訓練任務會開始。 | 
| **8.4 重新訓練觸發：模型效能降級** | 此技術使用監控和可觀測性來執行模型重新訓練，而且需要成熟的自動化層級。例如，準確度會從指定範圍降低，做為在全部或部分資料上重新訓練模型的觸發條件。 | 
| **8.5 重新訓練觸發：資料分佈轉移** | 監控資料分佈轉移提供了一種方式集觸發，可在模型的基礎資料變更時重新訓練模型。[概念轉移或資料分佈轉移](https://aws.amazon.com/blogs/machine-learning/detect-nlp-data-drift-using-custom-amazon-sagemaker-model-monitor/)的違規集會啟動模型重新訓練任務。 |