รวมแบบจําลอง
คุณควรวางแผนวิธีที่คุณ รวมแบบจําลองเนื่องจากจะมีผลต่อวิธีที่คุณฝึกแบบจําลองหรือข้อมูลการฝึกที่คุณใช้ เพื่อรวมแบบจําลอง คุณจําเป็นต้องปรับใช้แบบจําลองไปยังจุดสิ้นสุด คุณสามารถปรับใช้แบบจําลองไปยังจุดสิ้นสุดสําหรับการ คาดคะเนแบบเรียลไทม์หรือชุดงานได้
ปรับใช้แบบจําลองไปยังจุดสิ้นสุด
เมื่อคุณฝึกแบบจําลอง เป้าหมายมักจะรวมแบบจําลองลงในแอปพลิเคชัน
เพื่อรวมแบบจําลองลงในแอปพลิเคชันอย่างง่ายดาย คุณสามารถใช้ จุดสิ้นสุดได้ พูดง่าย ๆ คือ จุดสิ้นสุดสามารถเป็นที่อยู่เว็บที่แอปพลิเคชันสามารถเรียกใช้เพื่อรับข้อความกลับมา
เมื่อคุณปรับใช้แบบจําลองไปยังจุดสิ้นสุด คุณมีสองตัวเลือก:
- รับการคาดการณ์แบบเรียลไทม์
- รับการคาดการณ์ชุดงาน
รับการคาดการณ์แบบเรียลไทม์
หากคุณต้องการให้แบบจําลองให้คะแนนข้อมูลใหม่ใด ๆ ตามที่เข้ามา คุณจําเป็นต้องมีการทํานายในแบบเรียลไทม์
การคาดการณ์แบบเรียลไทม์มักจําเป็นเมื่อมีการใช้แบบจําลองโดยแอปพลิเคชัน เช่น แอปสําหรับอุปกรณ์เคลื่อนที่หรือเว็บไซต์
ลองจินตนาการว่าคุณมีเว็บไซต์ที่ประกอบด้วยแค็ตตาล็อกผลิตภัณฑ์ของคุณ:
- ลูกค้าเลือกผลิตภัณฑ์บนเว็บไซต์ของคุณ เช่น เสื้อเชิ้ต
- แบบจําลองจะแนะนําสินค้าอื่นๆ จากแค็ตตาล็อกผลิตภัณฑ์ทันที ตามการเลือกของลูกค้า เว็บไซต์แสดงคําแนะนําของแบบจําลอง
ลูกค้าสามารถเลือกผลิตภัณฑ์ในเว็บร้านค้าได้ทุกเมื่อ คุณต้องการให้แบบจําลองค้นหาคําแนะนําเกือบทันที เวลาที่ใช้สําหรับหน้าเว็บเพื่อโหลดและแสดงรายละเอียดเสื้อคือเวลาที่ใช้ในการรับคําแนะนําหรือการคาดการณ์ จากนั้นเมื่อเสื้อแสดงขึ้นคําแนะนํายังสามารถแสดงได้
รับการคาดการณ์ชุดงาน
ถ้าคุณต้องการให้แบบจําลองให้คะแนนข้อมูลใหม่เป็นชุดและบันทึกผลลัพธ์เป็นไฟล์หรือในฐานข้อมูล คุณจําเป็นต้องมีการคาดการณ์ชุดงาน
ตัวอย่างเช่น คุณสามารถฝึกแบบจําลองที่คาดการณ์ยอดขายน้ําส้มสําหรับแต่ละสัปดาห์ในอนาคต ด้วยการคาดการณ์ยอดขายน้ําส้มคุณสามารถมั่นใจได้ว่าอุปทานเพียงพอต่อความต้องการที่คาดหวัง
สมมติว่าคุณกําลังแสดงข้อมูลยอดขายในอดีตทั้งหมดในรายงาน คุณจะต้องรวมยอดขายที่คาดการณ์ไว้ในรายงานเดียวกัน
แม้ว่าน้ําส้มจะขายได้ตลอดทั้งวัน แต่คุณต้องการคํานวณการคาดการณ์สัปดาห์ละครั้งเท่านั้น คุณสามารถรวบรวมข้อมูลยอดขายได้ตลอดทั้งสัปดาห์และเรียกใช้แบบจําลองเฉพาะเมื่อคุณมีข้อมูลยอดขายของทั้งสัปดาห์เท่านั้น คอลเลกชันของจุดข้อมูลจะเรียกว่าชุดงาน
ตัดสินใจระหว่างการปรับใช้แบบเรียลไทม์หรือชุดงาน
หากต้องการตัดสินใจว่าจะออกแบบโซลูชันการปรับใช้แบบเรียลไทม์หรือเป็นชุดงาน คุณต้องพิจารณาคําถามต่อไปนี้:
- ควรสร้างการคาดการณ์บ่อยแค่ไหน?
- ผลลัพธ์จําเป็นเร็วแค่ไหน?
- ควรสร้างการคาดการณ์เป็นรายบุคคลหรือเป็นชุด?
- ต้องใช้กําลังในการคํานวณเท่าใดในการดําเนินการแบบจําลอง
ระบุความถี่ที่จําเป็นของการให้คะแนน
สถานการณ์ทั่วไปคือ คุณกําลังใช้แบบจําลองเพื่อให้คะแนนข้อมูลใหม่ ก่อนที่คุณจะได้รับการคาดการณ์แบบเรียลไทม์หรือเป็นชุดงาน คุณต้องรวบรวมข้อมูลใหม่ก่อน
มีหลายวิธีในการสร้างหรือรวบรวมข้อมูล ข้อมูลใหม่ยังสามารถรวบรวมได้ในช่วงเวลาที่แตกต่างกัน
ตัวอย่างเช่น คุณสามารถรวบรวมข้อมูลอุณหภูมิจากอุปกรณ์ Internet of Things (IoT) ทุกนาที คุณสามารถรับข้อมูลการทําธุรกรรมทุกครั้งที่ลูกค้าซื้อผลิตภัณฑ์จากเว็บร้านค้าของคุณ หรือคุณสามารถดึงข้อมูลทางการเงินจากฐานข้อมูลทุก ๆ สามเดือน
โดยทั่วไปแล้ว จะมีกรณีการใช้งานสองชนิด:
- คุณต้องมีแบบจําลองเพื่อให้คะแนนข้อมูลใหม่ทันทีที่เข้ามา
- คุณสามารถจัดกําหนดการหรือทริกเกอร์แบบจําลองเพื่อให้คะแนนข้อมูลใหม่ที่คุณรวบรวมเมื่อเวลาผ่านไป
ไม่ว่าคุณจะต้องการการคาดการณ์แบบเรียลไทม์หรือชุดงานไม่จําเป็นต้องขึ้นอยู่กับความถี่ในการรวบรวมข้อมูลใหม่ แต่จะขึ้นอยู่กับความถี่และความเร็วในการคาดการณ์ที่คุณต้องการสร้าง
หากคุณต้องการการคาดการณ์ของแบบจําลองทันทีเมื่อมีการรวบรวมข้อมูลใหม่ คุณจําเป็นต้องมีการทํานายแบบเรียลไทม์ ถ้ามีการใช้การคาดการณ์ของแบบจําลองในบางครั้งเท่านั้น คุณจําเป็นต้องมีการทํานายแบบชุดงาน
ตัดสินใจเกี่ยวกับจํานวนการคาดการณ์
อีกคําถามสําคัญที่ต้องถามตัวคุณเองคือ คุณต้องการสร้างการคาดการณ์เป็นรายบุคคลหรือเป็นชุด
วิธีง่าย ๆ ในการแสดงความแตกต่างระหว่างการคาดการณ์เดี่ยวและแบบกลุ่มคือการจินตนาการตาราง สมมติว่าคุณมีตารางข้อมูลลูกค้าที่แต่ละแถวแสดงถึงลูกค้า สําหรับลูกค้าแต่ละราย คุณมีข้อมูลประชากรและข้อมูลพฤติกรรมบางอย่าง เช่น จํานวนผลิตภัณฑ์ที่พวกเขาซื้อจากเว็บร้านค้าของคุณ และเวลาที่พวกเขาซื้อครั้งล่าสุด
จากข้อมูลนี้คุณสามารถคาดการณ์การเลิกใช้บริการของลูกค้า: ว่าลูกค้าจะซื้อจากเว็บร้านค้าของคุณอีกครั้งหรือไม่
เมื่อคุณได้ฝึกแบบจําลองแล้ว คุณสามารถตัดสินใจได้ว่าคุณต้องการสร้างการคาดการณ์หรือไม่:
- รายบุคคล: แบบจําลองได้รับ แถวเดียวของข้อมูล และส่งกลับว่าลูกค้ารายบุคคลนั้นจะซื้ออีกครั้งหรือไม่
- ชุดงาน: แบบจําลองได้รับ ข้อมูลหลายแถว ในตารางเดียวและส่งกลับว่าลูกค้าแต่ละรายจะซื้ออีกครั้งหรือไม่ ผลลัพธ์จะถูกจัดเรียงในตารางที่มีการคาดการณ์ทั้งหมด
คุณยังสามารถสร้างการคาดการณ์รายบุคคลหรือเป็นชุดเมื่อทํางานกับไฟล์ ตัวอย่างเช่น เมื่อทํางานกับแบบจําลองการมองเห็นคอมพิวเตอร์ คุณอาจต้องให้คะแนนภาพเดี่ยวทีละภาพหรือคอลเลกชันของรูปภาพในหนึ่งชุด
พิจารณาค่าใช้จ่ายของการคํานวณ
นอกเหนือจากการใช้การคํานวณเมื่อฝึกแบบจําลองคุณยังต้องมีการคํานวณเมื่อปรับใช้แบบจําลอง คุณจะใช้การคํานวณชนิดที่แตกต่างกัน ทั้งนี้ขึ้นอยู่กับว่าคุณปรับใช้แบบจําลองกับจุดสิ้นสุดแบบเรียลไทม์หรือชุดงาน หากต้องการตัดสินใจว่าจะปรับใช้แบบจําลองของคุณกับจุดสิ้นสุดแบบเรียลไทม์หรือชุดงาน คุณต้องพิจารณาต้นทุนของการคํานวณแต่ละชนิด
หากคุณต้องการ การคาดการณ์แบบเรียลไทม์ คุณจําเป็นต้องคํานวณที่พร้อมใช้งานเสมอและสามารถส่งกลับผลลัพธ์ (เกือบ) ได้ทันที เทคโนโลยีคอนเทนเนอร์ เช่น Azure Container Instance (ACI) และ Azure Kubernetes Service (AKS) เหมาะอย่างยิ่งสําหรับสถานการณ์ดังกล่าว เนื่องจากมีโครงสร้างพื้นฐานน้ําหนักเบาสําหรับแบบจําลองที่ปรับใช้ของคุณ
อย่างไรก็ตาม เมื่อคุณปรับใช้แบบจําลองไปยังจุดสิ้นสุดแบบเรียลไทม์และใช้เทคโนโลยีคอนเทนเนอร์ดังกล่าว การคํานวณจะเปิดอยู่เสมอ เมื่อมีการปรับใช้แบบจําลอง คุณจะได้รับการชําระเงินอย่างต่อเนื่องสําหรับการคํานวณเนื่องจากคุณไม่สามารถหยุดชั่วคราวหรือหยุดการคํานวณได้เนื่องจากแบบจําลองจะต้องพร้อมใช้งานสําหรับการคาดการณ์ทันทีเสมอ
หรือถ้าคุณต้องการ การคาดการณ์ชุดงาน คุณจําเป็นต้องมีการคํานวณที่สามารถจัดการปริมาณงานขนาดใหญ่ได้ ตามแนวคิดแล้ว คุณจะใช้ คลัสเตอร์การคํานวณ ที่สามารถให้คะแนนข้อมูลเป็นชุด ขนาน ได้โดยใช้หลายโหนด
เมื่อทํางานกับคลัสเตอร์การคํานวณที่สามารถประมวลผลข้อมูลเป็นชุดขนาน การคํานวณจะถูกเตรียมใช้งานโดยพื้นที่ทํางานเมื่อการให้คะแนนเป็นกลุ่มถูกทริกเกอร์ และปรับขนาดลงเป็น 0 โหนดเมื่อไม่มีข้อมูลใหม่ที่จะประมวลผล เมื่ออนุญาตให้พื้นที่ทํางานปรับขนาดคลัสเตอร์การคํานวณที่ไม่ได้ใช้งาน คุณสามารถประหยัดค่าใช้จ่ายที่สําคัญได้