Video: Let’s Talk Big Data in manufacturing: transforming the industry and operations 2024
Per quanto possa non piacervi, il vostro lavoro di analisi predittiva non è finito quando il vostro modello sarà pubblicato. Il successo nel dispiegamento del modello in produzione non è il momento di rilassarsi. Dovrai monitorare attentamente la precisione e le prestazioni nel tempo. Un modello tende a degradarsi nel tempo (alcuni più velocemente di altri); e di volta in volta è richiesta una nuova infusione di energia per mantenere il modello attivo e funzionante. Per avere successo, un modello deve essere rivisitato e rivalutato alla luce di nuovi dati e circostanze mutevoli.
Se le condizioni cambiano in modo che non si adattino più all'allenamento originale del modello, sarà necessario riqualificare il modello per soddisfare le nuove condizioni. Tali nuove condizioni esigenti includono
- Un cambiamento generale nell'obiettivo aziendale
- L'adozione di - e la migrazione verso - la nuova e più potente tecnologia
- L'emergere di nuove tendenze nel mercato
- La prova che la concorrenza è recuperando
Il piano strategico dovrebbe includere la segnalazione di allerta per qualsiasi necessità emergente di aggiornare il modello e portarlo al livello successivo, ma l'aggiornamento del modello dovrebbe comunque essere un processo continuo. Continuerai a modificare input e output, incorporando nuovi flussi di dati, riqualificando il modello per le nuove condizioni e perfezionando continuamente i suoi output. Tieni a mente questi obiettivi:
- Resta al passo con le mutevoli condizioni, riqualificando e testando regolarmente il modello; valorizzalo quando necessario.
- Monitora la precisione del tuo modello per cogliere il degrado delle sue prestazioni nel tempo.
- Automatizza il monitoraggio del tuo modello sviluppando applicazioni personalizzate che riportano e monitorano le prestazioni del modello.
L'automazione del monitoraggio, o la partecipazione di altri membri del team, allevierebbe qualsiasi preoccupazione che un ricercatore di dati potrebbe avere sulle prestazioni del modello e può migliorare l'uso del tempo di tutti.
Il monitoraggio automatico consente di risparmiare tempo e aiuta a evitare errori nel monitoraggio delle prestazioni del modello.
