Diseño de sistemas de aprendizaje automático

Capítulo 9. Aprendizaje continuo y prueba en producción

Este trabajo se ha traducido utilizando IA. Agradecemos tus opiniones y comentarios: [e-mail]

En el Capítulo 8, analizamos varias formas en que un sistema de ML puede fallar en producción. Nos centramos en un problema especialmente espinoso que ha generado mucho debate tanto entre los investigadores como entre los profesionales: los cambios en la distribución de los datos. También analizamos múltiples técnicas y herramientas de monitoreo para detectar cambios en la distribución de los datos.

Este capítulo es una continuación de este debate: ¿cómo adaptamos nuestros modelos a los cambios en la distribución de los datos? La respuesta es actualizando continuamente nuestros modelos de ML. Empezaremos con un análisis de lo que es el aprendizaje continuo y sus retos: el aprendizaje continuo es, en gran medida, un problema de infraestructura. Luego expondremos un plan de cuatro etapas para hacer realidad el aprendizaje continuo.

Una vez que hayas configurado tu infraestructura para que te permita actualizar tus modelos con la frecuencia que desees, quizá quieras plantearte la pregunta que me han hecho casi todos los ingenieros de ML que he conocido: "¿Con qué frecuencia debo volver a entrenar mis modelos?". Esta pregunta es el tema central de la siguiente sección del libro.

Si el modelo se reentrena para adaptarse al entorno cambiante, no basta con evaluarlo en un conjunto de pruebas estacionario. Trataremos ...