ऑनलाइन और ऑफलाइन फ़ीचर सर्विंग स्क्यू

प्रशिक्षण/सेवा में गड़बड़ी तब होती है जब कोई मॉडल ऑफ़लाइन से जो सुविधाएँ सीखता है, वे वास्तव में उत्पादन में प्राप्त सुविधाओं से भिन्न होती हैं, चुपचाप सटीकता को नष्ट कर देती हैं। इस बेमेल को पकड़ना और रोकना वास्तविक दुनिया की मशीन लर्निंग में सबसे कठिन, सबसे महत्वपूर्ण कार्यों में से एक है।

तिरछा एक मॉडल द्वारा ऑफ़लाइन से सीखे गए फीचर मूल्यों और लाइव भविष्यवाणियां करते समय वास्तव में प्राप्त होने वाले मूल्यों के बीच एक बेमेल है।

पॉइंट-इन-टाइम शुद्धता का मतलब है कि प्रत्येक लेबल को फीचर मानों के साथ जोड़ा जाता है क्योंकि वे उस पल में मौजूद थे, जिससे मॉडल को भविष्य की जानकारी का गलती से उपयोग करने से रोका जा सके।

प्रस्तुत की गई सटीक विशेषताओं को लाइव रिकॉर्ड करने और प्रशिक्षण वितरण के साथ सांख्यिकीय रूप से उनकी तुलना करने से विचलन या बेमेल का पता चलता है जो विषमता का संकेत देता है।

यदि सेवा समय पर कैश्ड मान पुराना हो गया है, तो मॉडल को प्रशिक्षण के दौरान प्राप्त होने वाले इनपुट की तुलना में एक अलग इनपुट प्राप्त होता है, जिससे तिरछापन पैदा होता है।

एक फीचर परिभाषा को साझा करना (अक्सर एक फीचर स्टोर के माध्यम से) यह सुनिश्चित करता है कि समान गणना दोनों पथों को फीड करती है, जिससे विषमता पैदा करने वाली असहमति समाप्त हो जाती है।