Video: The Great Gildersleeve: The Circus / The Haunted House / The Burglar 2024
Så mycket som du kanske inte gillar det är ditt prediktiva analysjobb inte över när din modell går live. Framgångsrik utplacering av modellen i produktionen är ingen tid att slappna av. Du måste noggrant övervaka dess noggrannhet och prestanda över tiden. En modell tenderar att försämras över tid (lite snabbare än andra); och en ny infusion av energi krävs från tid till annan för att hålla den modellen igång. För att vara framgångsrik måste en modell ses över och utvärderas mot bakgrund av nya uppgifter och omväxlande omständigheter.
Om villkoren ändras så passar de inte längre modellens ursprungliga träning, så måste du omskola modellen för att uppfylla de nya förutsättningarna. Sådana krävande nya förutsättningar inkluderar
- En övergripande förändring av affärsmålet
- Antagande av - och migration till - Ny och kraftfull teknik
- Framväxten av nya trender på marknaden
- Bevis för att tävlingen är fånga upp
Din strategiska plan bör innehålla varning för något sådant framväxande behov av att uppdatera din modell och ta den till nästa nivå, men uppdatering av din modell borde ändå vara en pågående process. Du kommer att fortsätta att anpassa inmatningar och utgångar, med nya dataströmmar, omskolning av modellen för de nya förhållandena och kontinuerligt raffinering av sina utgångar. Håll dessa mål i åtanke:
- Håll dig överens med förändrade förutsättningar genom omskolning och testning av modellen regelbundet. förbättra det när det behövs.
- Övervaka din modells noggrannhet för att få någon försämring i dess prestanda över tiden.
- Automatisera övervakningen av din modell genom att utveckla anpassade applikationer som rapporterar och spårar modellens prestanda.
Automatisering av övervakning, eller med andra inblandade lagmedlemmar, skulle lindra eventuella problem som en datavetenskapare kan ha över modellens prestanda och kan förbättra användningen av allas tid.
Automatisk övervakning sparar tid och hjälper dig att undvika fel vid spårning av modellens prestanda.
