Training–serving skew, eğitim ve canlı boru hatlarının farklı özellikler hesaplamasıdır. Skor kalibrasyon kayması, taban oran değiştikten sonra olasılıkların sonuçlarla artık örtüşmemesidir. Kavram kayması (ve ilgili girdi dağılımı covariate shift’i), ilişki—veya girdilerin kendisi—hareket ederken model artefaktının donmuş kalmasıdır.
Etiket gürültüsü ve prediction-interval notları başka AI arıza kiplerine aittir. Bu yazı canlı dünyanın eğitim dağılımını terk ettiğini tespit etmek üzerinedir.
Tesislerde ne hareket eder
Daha geniş erime indisine sahip bir reçine lotu. Yeni bir kaplama kalınlığı. Beş derece yeniden kalibre edilmiş bir termokupl. Kurutma fırınında mevsimsel nem salınımı. Hiçbiri kötü niyetli bir aktör gerektirmez. Özellikler ile kalitenin ortak dağılımını değiştirirler. Geçen çeyrekte eğitilmiş bir model, kaymış bir manifold üzerinde güvenli skorlar üretmeye devam eder.
Karşılığını veren monitörler
Anahtar özelliklerdeki popülasyon istatistiklerini (ortalama, kuantiller, eksiklik) donmuş bir eğitim referans penceresine karşı izleyin. Yalnızca otomatik kabul edilen üretimde değil, küçük ve düzenli etiketlenen bir hold örnekte residual veya hata oranlarını izleyin. “Hurda arttı diye yeniden eğit”ten önce sürekli sapmada alarm verin. Sensör arızalarını (bir tag kırık) gerçek proses kaymasından (birçok ilişkili özellik birlikte hareket etti) ayırın.
Yapılmaması gerekenler
Drift alarmlarını hiçbir şey ateşlemeyene kadar eşikleri genişleterek susturmayın. Eski kavramın neden emekli edildiğini belirten bir MoC olmadan, kirlenmiş etiketlerin son haftasında yeniden eğitmeyin. Bir günlük aykırı kampanyayı yeni kararlı durumla karıştırmayın.
Özellikler hâlâ geliyor ve model hâlâ skor veriyorsa, tesis otomatik görünebilir; tavsiye ise sessizce dünü anlatır. Girdileri ve residual’ları izleyin; sonra dondurup dondurmayacağınıza, yeniden kalibre edip etmeyeceğinize veya yeniden eğitip etmeyeceğinize karar verin.