Predictive Analytics: At vide, hvornår man skal opdatere din model - dummier

Så meget som du måske ikke kan lide det, er dit prædiktive analytics job ikke overstået, når din model bliver levende. Succesfuld implementering af modellen i produktionen er ikke tid til at slappe af. Du skal nøje overvåge dens nøjagtighed og ydeevne over tid. En model har tendens til at nedbrydes over tid (nogle hurtigere end andre); og en ny infusion af energi kræves fra tid til anden for at holde denne model i gang. For at være succesfuld skal en model blive revideret og revurderet i lyset af nye data og skiftende omstændigheder.

Hvis betingelserne ændres, passer de ikke længere til modelens originale træning, så skal du omskole modellen for at opfylde de nye betingelser. Sådanne krævende nye forhold omfatter

• En overordnet ændring i forretningsmålet
• Vedtagelsen af ​​- og migration til - Ny og mere kraftfuld teknologi
• Fremkomsten af ​​nye trends på markedet
• Bevis for, at konkurrencen er indhenter

Din strategiske plan skal indeholde opbevaringsbevis for et sådant fremskyndende behov for at opdatere din model og tage den til næste niveau, men opdatering af din model skal alligevel være en løbende proces. Du vil fortsætte med at tilpasse input og output, inkorporere nye datastrømme, omskole modellen til de nye betingelser og løbende raffinere sine output. Hold disse mål i tankerne:

• Hold dig på forandring ved at omskole og teste modellen regelmæssigt; forbedre det, når det er nødvendigt.
• Overvåg din modeles nøjagtighed for at få nogen nedbrydning i dens ydeevne over tid.
• Automatiser overvågningen af ​​din model ved at udvikle tilpassede applikationer, der rapporterer og sporer modelens ydeevne.

Automatisering af overvågning eller involvering af andre holdmedlemmer vil afhjælpe enhver bekymring, som en datavidenskabsmand måtte have over modelens ydeevne og kan forbedre brugen af ​​alles tid.

Automatisk overvågning sparer tid og hjælper dig med at undgå fejl i sporing af modelens ydeevne.