Video: Statistics: The average | Descriptive statistics | Probability and Statistics | Khan Academy 2024
Sebanyak mungkin Anda tidak menyukainya, pekerjaan analisis prediktif Anda tidak berakhir saat model Anda ditayangkan. Pengambilan model yang berhasil dalam produksi tidak ada waktu untuk bersantai. Anda harus memantau secara cermat keakuratan dan kinerjanya dari waktu ke waktu. Model cenderung terdegradasi dari waktu ke waktu (beberapa lebih cepat dari yang lain); dan infus energi baru diperlukan dari waktu ke waktu untuk menjaga agar model tetap aktif dan berjalan. Agar tetap sukses, model harus ditinjau ulang dan dievaluasi ulang berdasarkan data baru dan keadaan yang berubah.
Jika kondisi berubah sehingga tidak sesuai dengan pelatihan awal model, Anda harus melatih model ini untuk memenuhi kondisi baru. Kondisi baru yang menuntut tersebut mencakup
- Perubahan keseluruhan dalam tujuan bisnis
- Penerapan - dan migrasi ke - teknologi baru dan lebih kuat
- Munculnya tren baru di pasar
- Bukti bahwa kompetisi tersebut adalah mengejar
Rencana strategis Anda harus mencakup tetap waspada terhadap kebutuhan yang muncul semacam itu untuk menyegarkan model Anda dan membawanya ke tingkat berikutnya, namun memperbarui model Anda harus menjadi proses yang terus berlanjut. Anda akan terus mengutak-atik masukan dan keluaran, menggabungkan arus data baru, melatih kembali model untuk kondisi baru dan terus menyempurnakan hasilnya. Jaga tujuan ini dalam pikiran:
- Tetaplah di atas perubahan kondisi dengan melatih ulang dan menguji model secara teratur; meningkatkan kapan pun diperlukan
- Pantau ketepatan model Anda untuk menangkap degradasi dalam kinerjanya dari waktu ke waktu.
- Mengotomatiskan pemantauan model Anda dengan mengembangkan aplikasi yang disesuaikan yang melaporkan dan melacak kinerja model.
Otomatisasi pemantauan, atau memiliki anggota tim lain yang terlibat, akan mengurangi kekhawatiran ilmuwan data mengenai performa model dan dapat memperbaiki penggunaan waktu setiap orang.
Pemantauan otomatis menghemat waktu dan membantu Anda menghindari kesalahan dalam melacak kinerja model.
