Zuverlässiges maschinelles Lernen

Kapitel 10. Kontinuierliche ML

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

Bis jetzt haben sich unsere Diskussionen über ML-Systeme manchmal auf die Vorstellung konzentriert, dass ein Modell etwas ist, das wir trainieren und dann einsetzen, fast so, als ob dies etwas ist, das nur einmal geschieht und nur einmal. Eine etwas differenziertere Sichtweise besteht darin, zwischen Modellen, die einmal trainiert und dann eingesetzt werden, und solchen, die kontinuierlich trainiert werden, zu unterscheiden. Typische kontinuierliche ML-Systeme erhalten neue Daten in einem Streaming- oder regelmäßigen Batch-Verfahren und nutzen diese, um eine aktualisierte Modellversion zu trainieren, die an den Server übermittelt wird.

Aus der MLOps-Perspektive gibt es natürlich große Unterschiede zwischen einem Modell, das einmal trainiert wird, und einem Modell, das kontinuierlich aktualisiert wird. Die Umstellung auf kontinuierliches ML erhöht die Anforderungen an die automatische Überprüfung. Die Rückkopplungsschleifen und die Reaktionen des Modells auf Veränderungen in der Außenwelt können für Kopfzerbrechen sorgen. Die Verwaltung kontinuierlicher Datenströme, die Reaktion auf Modellausfälle und -beschädigungen und selbst scheinbar triviale Aufgaben wie die Einführung neuer Funktionen, auf die das Modell trainieren soll, erhöhen die Komplexität des Systems.

Oberflächlich betrachtet mag es sogar so aussehen, als ...