Jebakan Ketimpangan Pelatihan dan Penyajian
Saat data pada waktu penyajian tidak lagi sesuai dengan data pelatihan.
Jebakan Ketimpangan Pelatihan dan Penyajian adalah pelajaran MLOps Academy gratis di CoddyKit. Ini adalah pelajaran 1 dari 4. Kamu bisa membaca pelajaran lengkapnya di bawah secara gratis — lalu praktikkan langsung di browser dengan editor kode bawaan dan tutor AI 24/7. Ini adalah bagian dari jalur belajar MLOps Academy, dan progresmu tersinkronisasi di web dan aplikasi CoddyKit. Kursus MLOps Academy mencakup 4 pelajaran total.
Arti Ketimpangan
Ketimpangan pelatihan-penyajian terjadi ketika data yang dilihat model dalam produksi tidak lagi sesuai dengan data yang dipelajarinya saat pelatihan. 📉
Mengapa Ini Bermasalah
Model Anda mengasumsikan bahwa data penyajian tampak seperti data pelatihan. Ketika asumsi itu tidak berlaku, prediksi diam-diam menjadi lebih buruk meskipun tidak ada yang gagal. Inilah ketimpangan.
Jalur Kode yang Berbeda
Penyebab klasiknya adalah dua jalur kode: satu skrip menyiapkan data pelatihan, sementara skrip lain menyiapkan permintaan langsung. Perbedaan kecil di antara keduanya menimbulkan ketimpangan.
Ketidaksesuaian yang Dapat Anda Lihat
Di sini, pelatihan menggunakan satu nilai rata-rata untuk penskalaan, sedangkan penyajian menggunakan nilai lainnya. Model kini menerima angka yang belum pernah digunakan dalam pelatihan, sehingga penskalaannya keliru.
# training
x = (raw - 50.0) / 10.0
# serving (wrong!)
x = (raw - 0.0) / 10.0Fitur yang Usang
Ketimpangan juga muncul ketika suatu fitur masih terbaru saat pelatihan, tetapi sudah usang saat penyajian, seperti rata-rata yang dihitung kemarin, bukan sekarang.
Bug yang Sama di Kedua Sisi
Perbaikan paling aman adalah menggunakan satu fungsi bersama untuk kedua jalur. Jika ada bug, setidaknya bug itu muncul secara identik dalam pelatihan dan penyajian, sehingga tidak terjadi ketimpangan.
def make_features(raw):
return (raw - 50.0) / 10.0
# call from training AND servingKetimpangan Skema
Ketimpangan skema terjadi ketika jenis atau nama kolom berubah antara pelatihan dan penyajian, misalnya bilangan bulat berubah menjadi teks. Model salah membacanya tanpa memberi tahu.
Urutan Fitur Itu Penting
Banyak model membaca fitur berdasarkan posisi, bukan nama. Tukar dua kolom saat penyajian dan Anda mendapatkan ketidaksesuaian urutan yang diam-diam tetapi berbahaya.
Temukan dengan Pemeriksaan
Salah satu pengaman sederhana: pastikan masukan penyajian memiliki kolom yang sama dengan yang digunakan untuk melatih model. Temukan ketimpangan sejak awal, bukan di dasbor.
assert list(request.columns) == model.feature_names_in_.tolist()Penyimpanan Fitur Membantu
Penyimpanan fitur menghitung fitur sekali dan menyediakannya untuk pelatihan maupun inferensi, sehingga menghilangkan seluruh jenis bug ketimpangan berdasarkan rancangan.
Catat dan Bandingkan
Catat sampel masukan penyajian nyata dan bandingkan statistiknya dengan kumpulan data pelatihan Anda. Perbedaan pada rata-rata atau rentang adalah peringatan awal tentang ketimpangan.
Pemeriksaan Singkat
Pilihan mana yang paling efektif menghilangkan ketimpangan antara pelatihan dan penyajian?
Ringkasan
Ketimpangan adalah ketidaksesuaian tersembunyi antara data pelatihan dan penyajian. Bagikan kode fitur, periksa skema, dan catat masukan langsung agar model Anda tetap dapat dipercaya. ✅
Belajar Python dengan tutor AI — gratis
Tulis dan jalankan kode asli di browser kamu, dapatkan bantuan instan dari tutor AI 24/7, dan lanjutkan di mana kamu tinggalkan di web atau aplikasi.
- Kursus
- 30
- Pelajaran
- 120
Pertanyaan yang Sering Diajukan
Apakah pelajaran “Jebakan Ketimpangan Pelatihan dan Penyajian” gratis?
Ya — teks lengkap “Jebakan Ketimpangan Pelatihan dan Penyajian” gratis dibaca di sini di web. Untuk praktiknya secara interaktif (editor kode bawaan dan tutor AI 24/7) dan buka sisa kursus MLOps Academy, upgrade ke CoddyKit PRO. Kursus MLOps Academy mencakup 4 pelajaran total.
Apa yang akan aku pelajari di “Jebakan Ketimpangan Pelatihan dan Penyajian”?
Saat data pada waktu penyajian tidak lagi sesuai dengan data pelatihan. Kamu berlatih MLOps Academy dengan kode praktik yang langsung kamu jalankan di browser, dan tutor AI 24/7 menjawab pertanyaanmu saat kamu mengerjakan pelajaran ini.
Apakah aku perlu pengalaman untuk memulai MLOps Academy?
Tidak diperlukan pengalaman sebelumnya. MLOps Academy di CoddyKit dirancang untuk pemula hingga pelajar tingkat lanjut, jadi kamu bisa memulai di sini atau dari awal dan belajar sesuai kecepatan kamu sendiri. Ini adalah pelajaran 1 dari 4.
Berapa lama pelajaran “Jebakan Ketimpangan Pelatihan dan Penyajian” memakan waktu?
Sebagian besar pelajaran CoddyKit memakan waktu sekitar 5–10 menit. Setiap pelajaran ringkas dan interaktif, jadi kamu membuat kemajuan stabil dan melanjutkan dari tempat kamu tinggalkan di web dan aplikasi.
Bisakah aku menulis dan menjalankan kode dalam pelajaran MLOps Academy ini?
Ya. Setiap pelajaran MLOps Academy menyertakan editor kode bawaan, jadi kamu menulis dan menjalankan kode nyata langsung di browser dan mendapatkan umpan balik AI instan — tidak diperlukan penyiapan lokal.
Semua pelajaran dalam kursus ini
- Jebakan Ketimpangan Pelatihan dan Penyajian
- Kegagalan Senyap: Tidak Crash, Jawaban Salah
- Saat Dunia Berubah di Bawah Model Anda
- Masalah Reproduksibilitas