Maschinelle Lernsysteme entwerfen

Kapitel 9. Kontinuierliches Lernen und Testen in der Produktion

Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: [e-mail]

In Kapitel 8 haben wir verschiedene Möglichkeiten besprochen, wie ein ML-System in der Produktion fehlschlagen kann. Wir haben uns auf ein besonders heikles Problem konzentriert, das sowohl in der Forschung als auch in der Praxis für viel Gesprächsstoff gesorgt hat: die Verschiebung der Datenverteilung. Außerdem haben wir verschiedene Überwachungstechniken und -tools besprochen, mit denen sich Verschiebungen in der Datenverteilung erkennen lassen.

Dieses Kapitel ist eine Fortsetzung dieser Diskussion: Wie passen wir unsere Modelle an die veränderte Datenverteilung an? Die Antwort lautet: indem wir unsere ML-Modelle kontinuierlich aktualisieren. Wir beginnen mit einer Diskussion darüber, was kontinuierliches Lernen ist und welche Herausforderungen damit verbunden sind - Spoiler: Kontinuierliches Lernen ist vor allem ein infrastrukturelles Problem. Dann stellen wir einen Vier-Stufen-Plan vor, um das kontinuierliche Lernen in die Tat umzusetzen.

Nachdem du deine Infrastruktur so eingerichtet hast, dass du deine Modelle so oft wie gewünscht aktualisieren kannst, solltest du dir die Frage stellen, die mir fast jeder ML-Ingenieur gestellt hat, den ich getroffen habe: "Wie oft sollte ich meine Modelle neu trainieren?" Diese Frage steht im Mittelpunkt des nächsten Abschnitts des Buches.

Wenn ...