1
条回答
写回答
写回答
-
传统的机器学习链路存在两个问题：一是时效性低，模型和特征的更新周期较长，影响实时性体验；二是计算训练效率低，必须等待全量分区数据准备好后才能开始特征计算和训练，导致计算和训练压力大。实时技术的成熟使得大部分模型训练流程切换到实时架构上，数据传输、特征计算和训练都可以做到几乎实时，从全量处理变为短时的小批量增量处理，大大减轻了训练压力。同时，实时技术还提供了对离线处理的兼容性，可以在特征回补等场景中使用Flink的流批一体进行落地。
2024-08-13 21:51:58赞同 1 展开评论 打赏
版权声明：本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。
相关问答
