Construir Pipelines de Aprendizaje Automático

Capítulo 13. Bucles de realimentación

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

Ahora que tenemos un proceso fluido para poner en producción un modelo de aprendizaje automático, no queremos ejecutarlo sólo una vez. Los modelos no deben ser estáticos una vez implementados. Se recogen nuevos datos, la distribución de los datos cambia (descrito en el Capítulo 4), los modelos se desvían (tratado en el Capítulo 7) y, lo que es más importante, nos gustaría que nuestros conductos mejoraran continuamente.

Si se añade algún tipo de retroalimentación al conducto de la máquina, se convierte en un ciclo de vida, como se muestra en la Figura 13-1. Las predicciones del modelo conducen a la recogida de nuevos datos, que mejoran continuamente el modelo.

Figura 13-1. Retroalimentación del modelo como parte de las tuberías de ML

Sin datos frescos, el poder predictivo de un modelo puede disminuir a medida que las entradas cambian con el tiempo. La implementación del modelo de ML puede, de hecho, alterar los datos de entrenamiento que entran porque cambian las experiencias del usuario; por ejemplo, en un sistema de recomendación de vídeos, las mejores recomendaciones de un modelo conducen a diferentes elecciones de visionado por parte del usuario. Los bucles de retroalimentación pueden ayudarnos a recopilar nuevos datos para ...