隨著時間的推移，如何在 GCP 上改進電子商務推薦 ML 模型？

正確答案是將推薦請求和結果保留在 BigQuery 中，以用作訓練資料。隨著時間的推移，模型需要新的、相關的資料來學習使用者偏好和產品趨勢的變化。將實際的推薦請求和結果儲存在 BigQuery 中，可以建立一個不斷增長的資料集，用於重新訓練模型，從而提高其準確性和相關性。 將 Cloud ML Engine 效能指標匯出到 BigQuery 主要用於分析模型效率，而非直接改進模型本身。遷移到 Cloud TPU 可能會提高訓練速度，但不保證模型結果會更好，且不直接解決模型隨時間退化的問題。監控 Compute Engine CPU 架構更新與機器學習模型本身的改進無直接關係。