Video: The Internet of Things by James Whittaker of Microsoft 2025
Så mye som du kanskje ikke liker det, er din prediktive analysesjobb ikke over når modellen din går live. Vellykket distribusjon av modellen i produksjon er ikke tid til å slappe av. Du må nøye overvåke nøyaktigheten og ytelsen over tid. En modell har en tendens til å nedbrytes over tid (noen raskere enn andre); og en ny infusjon av energi kreves fra tid til annen for å holde denne modellen oppe og går. For å bli vellykket må en modell bli revidert og revurdert i lys av nye data og endrede omstendigheter.
Hvis forholdene endres, passer de ikke lenger til modellens opplæring, så du må omskole modellen for å møte de nye forholdene. Slike krevende nye forhold inkluderer
- En total forandring i forretningsmålet
- Innføring av - og migrasjon til - ny og kraftigere teknologi
- Fremveksten av nye trender på markedet
- Bevis for at konkurransen er fanger opp
Din strategiske plan bør inneholde oppholdsvarsling for et slikt behov for å oppdatere modellen din og ta den til neste nivå, men å oppdatere din modell bør likevel være en pågående prosess. Du vil fortsette å tilpasse innganger og utganger, inkludere nye datastrømmer, omskole modellen for de nye forholdene og kontinuerlig raffinere utgangene. Hold disse målene i bakhodet:
- Hold deg oppdatert på endrede forhold ved å omskole og teste modellen regelmessig; forbedre det når det er nødvendig.
- Overvåk modellens nøyaktighet for å få nedbrytning i ytelsen over tid.
- Automatiser overvåking av modellen din ved å utvikle tilpassede applikasjoner som rapporterer og sporer modellens ytelse.
Automatisering av overvåking, eller med andre involverte medarbeider, vil lindre enhver bekymring en datavitenskapsmann kan ha over modellens ytelse og kan forbedre bruken av alles tid.
Automatisk overvåking sparer tid og hjelper deg med å unngå feil ved å spore modellens ytelse.
