Odmik modela je postopno slabšanje napovedne kakovosti modela med delovanjem, ker se resničnost spreminja v primerjavi s podatki za učenje. Ločimo spremembe vhodnih podatkov (odmik podatkov) in spremembe razmerja med vhodi in rezultati (odmik konceptov). Primer: model za zaznavanje goljufij spregleda nove goljufive sheme. Rešitev sta stalno spremljanje metrik in redno ponovno učenje.
Agenti, poteki dela in predloge v enem delovnem prostoru – brezplačna 24-urna predstavitev.
Začni predstavitevRobustnost modela opisuje, kako zanesljivo model UI deluje, kadar so vhodni podatki šumni, nepopolni, nenavadni ali namerno izmaličeni. Robusten model še vedno daje stabilne rezultate, na primer pri prepoznavanju slik v slabi svetlobi ali kadar jezikovni model obravnava tipkarske napake. Robustnost ocenjujemo s stresnimi testi, raznolikimi podatki za učenje in preizkusi proti namernim poskusom zavajanja; posebej je pomembna pri aplikacijah, kritičnih za varnost.
Podatki za učenje so primeri, iz katerih se model UI uči vzorcev: velike zbirke besedil za jezikovne modele, označene slike za slikovne modele. Njihova kakovost, raznolikost in aktualnost v veliki meri določajo, kako zanesljiv in pošten je model ter kako sodobno je njegovo znanje. Za organizacije je pomembno tudi, ali ponudnik vnesene podatke strank uporablja za nadaljnje učenje.
MLflow je odprtokodna platforma za upravljanje celotnega življenjskega cikla modelov strojnega učenja, ki jo je leta 2018 izvorno predstavilo podjetje Databricks. Beleži poskuse z njihovimi parametri in metrikami, v registru upravlja različice modelov ter poenostavlja uvajanje. Novejše različice podpirajo tudi sledenje in vrednotenje aplikacij, zgrajenih na jezikovnih modelih. Tako ekipe lahko spremljajo, kateri model je nastal s katerimi podatki in nastavitvami.
Točnost opisuje, kako pogosto model UI daje pravilne rezultate; stabilnost opisuje, kako zanesljivo ta zmogljivost ostaja – ob rahlo spremenjenih vnosih, z novimi podatki ali skozi čas. Model je lahko pri preizkusu zelo točen, a nestabilen, če že preoblikovanje vprašanja vodi do drugačnega odgovora. Za uporabo v praksi se obe lastnosti preverjata s fiksnimi testnimi primeri, navzkrižnim preverjanjem in stalnim spremljanjem.
