Estrategias de reentrenamiento
Hay varias estrategias que puede emplear para volver a entrenar un modelo para mantenerlo actualizado y funcionar de manera óptima en todo momento.
- En reentrenamiento periódico, los datos se colocan a través de rondas de entrenamiento adicionales en una programación predefinida. Por ejemplo, puede volver a entrenar el modelo cada seis meses, independientemente de los factores que hayan cambiado. La estrategia es más apropiada en campos que cambian con frecuencia o a un ritmo predecible, como el clima estacional o las observaciones astronómicas.
- En el reentrenamiento basado en el rendimiento, se evalúa el rendimiento del modelo y, si se degrada más allá de un umbral predefinido, se vuelve a iniciar el proceso de entrenamiento. Esta estrategia es más apropiada en escenarios donde se debe mantener un alto grado de rendimiento en todo momento, como en el diagnóstico de enfermedades, la prescripción de tratamientos y otras aplicaciones médicas críticas.
- En el reentrenamiento de datos modificados, se determina si es adecuado o no volver a entrenar un modelo en función de cómo evolucionan los datos de dominio disponibles, si es el volumen, la calidad o la actualidad de los datos lo que ha cambiado. Esta estrategia es más adecuada en situaciones en las que es difícil saber si el dominio ha cambiado hasta que se le solicite un cambio en los datos disponibles, como encuestas de opinión o fluctuaciones del mercado de valores.
Para una empresa, hay muchos factores que intervienen en la decisión entre estas estrategias, incluido el costo y la facilidad de realizar el reentrenamiento, así como lo fácil que es recuperar el rendimiento de un modelo cuando está en producción. Por ejemplo, si no tiene mucha visibilidad del rendimiento del modelo, el reentrenamiento basado en el rendimiento es menos viable.
Campus
Campus
