Modelleri uýgunlaşdyrýan okuw

1) Näme üçin uýgunlaşma

Dünýä goýberiş aýlawlaryndan has çalt üýtgeýär. Uýgunlaşdyrylan okuw, modellere doly täzeden gurmazdan täze maglumatlara/re modeimlere uýgunlaşmaga mümkinçilik berýär: hilini saklamak, süýşmek üçin jogap wagtyny azaltmak we eýeçilik çykdajylaryny azaltmak.

• Source, feature, label, concept.
• Üýtgemegi ýüze çykarmak bilen parametrleri täzelemegiň arasyndaky iň az gizlinlik.
• Gözegçilik edilýän baha we töwekgelçilikler (privacy/fairness/howpsuzlyk).

2) Driftleriň görnüşleri we signallary

Data (covariate) drift: X paýlanyşy üýtgedi.
Label drift: synp ýygylygy/labeling-syýasat.

Signallar: PSI/JS/KS şekiller boýunça, kalibrlemä gözegçilik etmek, holdout/proksizamerlerde metrikleriň düşmegi, adam tarapyndan overradlaryň paýynyň ýokarlanmagy, şikaýatlarda/hadysalarda yslanmalar.

3) Uýgunlaşmagy başlamak üçin triggerler

Bosagada: PSI> X, p-value <α, kalibrlemek sinhronlaşdyryldy.
Wagtlaýyn: gündelik/hepdelik/süýşýän penjireler.
Wakalar: önümiň täze görnüşi, baha bermek, bazara çykmak.
Ykdysady: cost-to-error/ýitgileriň paýy> çäk.

Triggerler policy-as-code hökmünde kodlanýar we gözden geçirilýär.

4) Uýgunlaşdyrylan okuwyň arhetipleri

1. Batch re-train (penjireden gaýtadan taýýarlamak): ýönekeý we ygtybarly; haýal reaksiýa bildirýär.
2. Incremental/online learn: akymdaky terezileri täzelemek; derrew, ýöne ýatdan çykarmak töwekgelçiligi.
3. Warm-start fine-tune: öňki model bilen başlangyç, täze penjirede goşmaça okuw.
4. PEFT/LoRA/Adapters (LLM/wektorlar): doly FT bolmazdan çalt dar täzelenmeler.
5. Distillation/Teacher → Student: arhitektura/domen çalşylanda bilimleri geçirmek.
6. Domain adaptation/transfer: bazisiň doňmagy + "kelläniň" inçe sazlamasy.
7. Meta-learning/Hypernets: az sanly mysal bilen gaýtadan taýýarlamagy çaltlaşdyrýarlar.
8. Bandits/RL: Syýasatyň daşky gurşawyň jogabyna uýgunlaşmagy.
9. Federated learning: çig maglumatlary çykarmazdan şahsylaşdyrmak.

5) Maglumatlaryň reimesimleri boýunça strategiýalar

Akym: onlaýn optimizatorlar (SGD/Adam/Adagrad), EMA agram, süýşýän penjireler, anti-ýatdan çykarmak üçin rehearsal bufer.
Mikro-batçi: yzygiderli mini-fit (sagat/gün), walidasiýa boýunça early-stop.
Batch penjireleri: domen boýunça rolling 7/14/30d, seýrek synplar üçin gatlaklaşdyrma.
Few-shot: PEFT/Adapters, prompt-tuning, LLM üçin retrieval-goýmalar.

6) Katastrofiki ýatdan çykarmaga gözegçilik

Rehearsal (geçmişdäki maglumatlaryň esasy görnüşi).
Regularization: EWC/LwF/ELR - öňki ähmiýetinden gaçandygy üçin jerime.
Distillation: KLD-den labyr maglumatlaryna.
Mixture-of-Experts/condition on context: segmentler boýunça dürli hünärmenler.
Freeze- & -thaw: Bazisiň doňmagy, ýokarky gatlaklaryň öwrenilmegi.

7) Şahsylaşdyrma we segmentçilik

Global + Local heads: umumy baza, segmente "kelleler" (sebit/kanal/VIP).
Per-user adapters/embeddings: ulanyjy üçin aňsat ýat.
Kontekst boýunça Gating: traffigiň iň gowy hünärmene marşrutlaşdyrylmagy (MoE/routers).
"Fairness-guard": şahsylaşdyrmagyň topar deňligini peseltmezligini üpjün etmek.

8) Active Learning (Kontur adam)

Bellik soramagyň strategiýalary: iň ýokary näbellilik, margin/entropy, core-set, disagreement committee.
Býudjetler we möhletler: bellik etmek üçin gündelik kwotalar, SLA jogap.
Bellikleri kabul etmek: annotatorlaryň razylygyna gözegçilik etmek, kiçi altyn synaglar.
Aýlawyň ýapylmagy: täze hakyky belliklerde derrew goşmaça okamak.

9) Optimizatorlary we meýilnamalary saýlamak

Online: Adagrad/AdamW decay, clip-grad, EMA parametrleri bilen.
Schedules: cosine restarts, one-cycle, warmup→decay.
Tablisalar üçin: incremental GBDT (agaçlary täzelemek/agaçlary goşmak).
LLM üçin: pes lr, LoRA rank wezipe üçin, düzgünnama laýyklykda hil aýlawyna gözegçilik etmek.

10) Uýgunlaşmak üçin maglumatlar

Onlaýn bufer: täze oňyn/negatiw ýagdaýlar, synplaryň balansy.
Reweighting: importance weighting при covariate drift.
Hard-examples mining: agyr ýalňyşlyklar ileri tutulýar.
Data contracts: shemalar/hil/PII maskalar - proto-akym bilen deňdir.

11) Adaptasiýa re modeiminde hiliň bahalandyrylmagy

Pre-/Post-lift: A/B ýa-da düşündirilýän kwazi-synag.
Rolling validation: wagtlaýyn split, out-of-time test.
Guardrails: kalibrlemek, toxicity/abuse, ygtybarly ynam çäkleri.
Worst-segment tracking: diňe orta däl, iň erbet segmentiň gözegçiligi.
Staleness KPI: soňky üstünlikli uýgunlaşandan bäri wagt.

12) MLOps: proses we artefaktlar

Model Registry: wersiýa, sene, maglumat penjiresi, heş şekiller, giperler, artefaktlar (PEFT).
Data Lineage: çeşmelerden feature store çenli; okuw dilimlerini doňdurmak.
Pipelines: DAG для fit→eval→promote→canary→rollout, с auto-revert.
Shadow/Canary: Hakyky traffikde prod wersiýasyna garşy deňeşdirme.
Observability: latency/cost, drift, fairness, safety, override-rate.
Release policy: kim we haýsy metriklerde "promote" basýar.

13) Howpsuzlyk, gizlinlik, hukuklar

PII minimallaşdyrmak we gizlemek, esasanam akym buferlerinde.
Privacy-preserving uýgunlaşma: FL/secure aggregation, DP-klipler/duýgur domenler üçin sesler.
Etika: ýokary töwekgelçilikli çözgütlerde awtoadapt gadaganlyklary (human-in-the-loop hökmany).
Bilimden daşlaşmak: distilýasiýa/gurlan duzak açarlary arkaly syzmaga gözegçilik etmek.

14) Ykdysadyýet we SLO uýgunlaşmalar

SLA täzelenmeleri: mysal üçin TTA (time-to-adapt) ≤ 4 sagat sürtülende.
Budget guardrails: GPU-sagadyň çäkleri/gün, egress/ammarda cap.
Cost-aware syýasaty: gijeki penjireler, möhüm modelleriň ileri tutulýan ugurlary, doly FT ýerine PEFT.
Kesh/retriever: LLM üçin - doly okuwsyz groundedness ýokarlandyrýarys.

15) Antipatternler

"Hemişe we hemme ýerde öwreniň": gözegçiliksiz online-fit → çukura süýşmek.
Rehearsal/regularizasiýa ýoklugy: katastrofiki ýatdan çykma.
Ýok offline/online eval: "göze".
Şikaýatlarda/şikaýatlarda gaýtadan taýýarlamak: hüjümçileriň seslenme aragatnaşygyny ulanmagy.
Domenleriň garyşmagy: routingsiz düýpgöter dürli segmentler üçin ýeke-täk model.
Nol yzarlamak: gaýtadan öwrenen zadyňyzy köpeldip bilmersiňiz.

16) Durmuşa geçirmegiň ýol kartasy

1. Discovery: driftleriň kartasy, segmentler, kritiki metrikler we töwekgelçilikler; re modeimi saýlaň (batch/online/PEFT).
2. Gözegçilik: PSI/kalibrlemek/business-guardrails; aladalar we paneller.
3. MVP-uýgunlaşma: rolling window + warm-start; canary + auto-revert.
4. Howpsuzlyk/priv: maskalar, zerur bolsa FL/DP; log barlagy.
5. Active Learning: býudjet we SLA bilen bellik aýlawy.
6. Scale: segment kelleleri/MoE, rehearsal-buferler, distilýasiýa.
7. Optimizasiýa: PEFT/LoRA, cost-aware programmalary, meta-okuw, triggerleri awtomatiki saýlamak.

17) Awto-uýgunlaşmany açmazdan öň çek-sanawy

• Triggerler (PSI/metrikler), bosagalar we penjireler, owner we eskalasiýa kanaly kesgitlenildi.
• offline eval we onlaýn canary/shadow bar; guardrail-metrika we promote ölçegleri.
• rehearsal/distillation/ýatdan çykarmaga garşy yzygiderlilik goşuldy.
• Maglumatlar/agram/PEFT-delta wersiýalary; window snapshot saklanýar.
• Privacy/PII-syýasatlar girizildi; buferlere girmegiň barlagy.
• Serişdeleriň býujetleri we çäkleri; gyssagly dur we awto-rollback.
• Resminamalar: Model Card (täzelenen ulanylyş zolagy), wakalaryň runbooks.

18) Kiçi şablonlar (psevdo-YAML/kod)

Awto uýgunlaşma syýasaty

yaml adapt_policy:
triggers:
- type: psi_feature; feature: device_os; threshold: 0. 2; window: 7d
- type: metric_drop; metric: auc; delta: -0. 03; window: 3d mode: warm_start_finetune method:
lora: {rank: 8, alpha: 16, lr: 2e-4, epochs: 1}
rehearsal:
buffer_days: 30 size: 200k guardrails:
min_calibration: ece<=0. 03 worst_segment_auc>=0. 78 rollout: {canary: 10%, promote_after_hours: 6, rollback_on_guardrail_fail: true}
budgets: {gpu_hours_day: 40}

Online-täzelenme (eskiz)

python for batch in stream():
x,y = batch. features, batch. labels loss = model. loss(x,y) + reg_ewc(theta, theta_old, fisher, λ=0. 5)
loss. backward(); clip_grad_norm_(model. parameters(), 1. 0)
opt. step(); ema. update(model); opt. zero_grad()
if t % eval_k == 0: online_eval()

Active Learning nobaty

yaml al_queue:
strategy: "entropy"
daily_budget: 3000 sla_labeling_h: 24 golden_checks: true

19) Jemleýji

Modellere uýgunlaşdyrylan okuw "türgenleşigiň täzeden başlamagy" däl-de, in engineeringenerçilik kontury: süýşmegiň detekasiýasy → howpsuz we tygşytly uýgunlaşma → hil we adalat barlagy → derrew yza gaýdyp gelmek mümkinçiligi bilen gözegçilik edilýän goýberiş. Gözegçilik, PEFT/onlaýn strategiýalary, rehearsal anti-ýatdan çykarmak we berk gardrails birleşdirip, maglumatlar bilen ygtybarly üýtgeýän we ölçenip boljak peýdalary dowam etdirýän modelleri alarsyňyz.