8. Treinamento contínuo

O treinamento contínuo significa que o sistema de ML retreina automaticamente e continuamente os modelos de aprendizado de máquina para se adaptarem às mudanças nos dados antes de serem reimplantados. Os possíveis gatilhos para a reconstrução incluem alterações de dados, alterações de modelo ou alterações de código.

8.1 Verificações: validação da entrada do modelo	Existem verificações para verificar se a entrada de um modelo não se desvia de um determinado padrão. A validação de entrada significa executar testes funcionais durante a promoção do modelo. Isso também significa ter uma verificação imediata das solicitações de entrada, como o uso de afirmações e tipos enumerados.
8.2 Retreinar o acionamento: trabalhos programados	Essa é a forma mais básica de automação de treinamento. A reciclagem do modelo é definida em um cronograma (por exemplo, toda semana). Nesse cenário, a automação provavelmente é baixa, com uma revisão manual e uma verificação pontual dos resultados antes da promoção do modelo.
8.3 Retreinar o acionamento: novos dados de treinamento	A reciclagem é iniciada por um limite de entrada de dados. O modelo pode ser retreinado do zero ou executar atualizações incrementalmente. Com uma quantidade específica de dados em vigor, um trabalho de treinamento começa.
8.4 Retreinar o acionamento: degradação do desempenho do modelo	Essa técnica usa monitoramento e observabilidade para executar o retreinamento do modelo e requer um nível maduro de automação. Por exemplo, a precisão diminui a partir de um determinado intervalo, que atua como um gatilho para retreinar um modelo em todos ou em parte dos dados.
8.5 Retreinar o acionamento: mudança na distribuição de dados	O monitoramento da mudança na distribuição de dados fornece uma forma de definir gatilhos para retreinar o modelo quando seus dados subjacentes são alterados. Uma violação definida na mudança de conceito ou mudança de distribuição de dados inicia um trabalho de reciclagem do modelo.