Речник

Дрейф на модела

Какво е Дрейф на модела?

Дрейфът на модела е постепенното влошаване на качеството на прогнозите на даден модел по време на експлоатация, защото действителността се променя спрямо данните, използвани за обучението. Прави се разлика между промени във входните данни (дрейф на данните) и промени във връзката между входните данни и резултатите (дрейф на концепцията). Пример: модел за откриване на измами пропуска нови схеми за измама. Мерките включват непрекъснато наблюдение на метриките и редовно повторно обучение.

Теми

MLOps
качество на модела
мониторинг

Изпробвайте KI.ordo

Агенти, потоци и шаблони в едно работно пространство – безплатна 24-часова демонстрация.

Стартирайте демото

← Всички термини

Свързани термини

Устойчивост на модела

Устойчивостта на модела описва доколко надеждно работи моделът с ИИ, когато входните данни са шумни, непълни, необичайни или умишлено манипулирани. Устойчивият модел все пак дава стабилни резултати, например при разпознаване на изображения при лошо осветление или когато езиков модел се справя с правописни грешки. Устойчивостта се оценява чрез стрес тестове, разнообразни данни за обучение и тестове срещу умишлени опити за заблуда и е особено важна при критични за безопасността приложения.

надеждност
качество на модела
+1

Данни за обучение

Данните за обучение са примерите, от които моделът с ИИ научава закономерности: големи текстови колекции за езиковите модели, изображения с етикети за моделите за изображения. Качеството, разнообразието и актуалността им до голяма степен определят колко надежден и справедлив е моделът и колко актуални ще са знанията му. За организациите е важно и дали доставчикът използва въведените от клиентите данни за по-нататъшно обучение.

Данни
Training
+1

MLflow

MLflow е платформа с отворен код за управление на целия жизнен цикъл на модели за машинно обучение, въведена първоначално от Databricks през 2018 г. Тя записва експериментите с техните параметри и метрики, управлява версиите на моделите в регистър и улеснява внедряването. По-новите версии поддържат и проследяване и оценка на приложения, изградени върху езикови модели. Така екипите могат да проследят кой модел с какви данни и настройки е създаден.

MLOps
отворен код
+1

Точност и стабилност на ИИ моделите

Точността описва колко често един ИИ модел дава верни резултати; стабилността описва колко надеждно се запазва това представяне – при леко променени входни данни, нови данни или с течение на времето. Моделът може да е много точен при тестване, но нестабилен, ако достатъчно е само да се преформулира въпросът, за да се получи различен отговор. За реална употреба двете свойства се проверяват с фиксирани тестови случаи, кръстосана валидация и непрекъснато наблюдение.

Качество на модела
Устойчивост
+1