Ponowne trenowanie modelu uczenia maszynowego

Koncepcje MLOps

Folkert Stijnman

ML Engineer

Ponowne trenowanie po zmianach

 

Ponowne trenowanie: wykorzystanie nowych danych do opracowania nowej wersji modelu uczenia maszynowego

Dryf danych

Dryf danych

Dryf danych: zmiany w danych wejściowych

Dryf konceptu

Dryf konceptu: zmiany w relacji między danymi wejściowymi a wyjściowymi

Jak często ponownie trenować?

• Środowisko biznesowe: jak zmienne są dane?
• Koszt: ile kosztuje ponowne trenowanie?
• Wymagania biznesowe: jaka jest wymagana wydajność modelu?

Metody ponownego trenowania

Metody ponownego trenowania

Automatyczne ponowne trenowanie

Czas na praktykę!

Koncepcje MLOps