Capítulo 9. Aprendizagem contínua e testes na produção
Este trabalho foi traduzido com recurso a IA. Agradecemos o teu feedback e comentários: translation-feedback@oreilly.com
No Capítulo 8, discutimos várias formas como um sistema de ML pode falhar na produção. Concentrámo-nos num problema especialmente espinhoso que tem gerado muita discussão entre os pesquisadores e os profissionais: mudanças na distribuição de dados. Também discutimos várias técnicas e ferramentas de monitorização para detetar mudanças na distribuição de dados.
Este capítulo é uma continuação desta discussão: como é que adaptamos os nossos modelos às mudanças na distribuição dos dados? A resposta é atualizar continuamente os nossos modelos de ML. Começaremos com uma discussão sobre o que é a aprendizagem contínua e os seus desafios - spoiler: a aprendizagem contínua é, em grande parte, um problema de infraestrutura. Em seguida, apresentaremos um plano de quatro fases para tornar a aprendizagem contínua uma realidade.
Depois de configurares a tua infraestrutura de modo a permitir-te atualizar os teus modelos com a frequência que desejares, talvez queiras considerar a questão que me foi colocada por quase todos os engenheiros de ML que conheci: "Com que frequência devo treinar novamente os meus modelos?" Esta pergunta é o foco da próxima secção do livro.
Se o modelo for treinado novamente para se adaptar ao ambiente em mudança, não basta avaliá-lo num conjunto de testes estacionário. Abordaremos um conceito aparentemente ...
Become an O’Reilly member and get unlimited access to this title plus top books and audiobooks from O’Reilly and nearly 200 top publishers, thousands of courses curated by job role, 150+ live events each month,
and much more.
Read now
Unlock full access