在机器学习中,模型部署是将机器学习模型集成到现有生产环境中的过程,在该环境中,模型可以接受输入并返回输出。目标是让其他人可以使用经过训练的机器学习模型的预测。
大多数在线资源侧重于机器学习生命周期的前期步骤,例如探索性数据分析(EDA)、模型选择和模型评估。然而,模型部署是一个似乎很少讨论的话题,因为它可能很复杂。没有软件工程或DevOps背景的人很难理解部署。
本文将详细概述,什么是模型部署、模型的高级架构、部署模型的不同方法,以及确定部署方法时要考虑的因素。
部署机器学习模型,也称为模型部署,简单来说就是将机器学习模型集成到现有的生产环境中,在该环境中,模型可以接受输入并返回输出。部署模型的目的是让其他人(无论是用户、管理人员还是其他系统)可以使用训练有素的机器学习模型进行预测。
模型部署与机器学习系统架构密切相关,机器学习系统架构是指系统内软件组件的排列和交互,以实现预定义的目标。
在部署模型之前,机器学习模型需要满足几个标准才能准备好部署:
这一切都将在生产环境中进行,生产环境是一个术语,用于描述软件和其他产品实际投入运行以供最终用户使用的环境。
从高层次来看,机器学习系统有四个主要部分:
部署ML模型有三种常用方法:一次性、批量和实时。
1、一次性
并不总是需要持续训练机器学习模型来进行部署。有时,模型仅需要一次或定期需要。在这种情况下,可以简单地在需要时对模型进行临时训练,然后将其投入生产,直到其性能恶化到需要修复为止。
2、批量
批量训练,能够不断拥有最新版本的模型。这是一种可扩展的方法,一次获取数据的子样本,从而无需每次更新都使用完整的数据集。如果在一致的基础上使用模型,但不一定需要实时预测,这是不错的方法。
3、实时
在某些情况下,需要实时预测,例如确定交易是否欺诈。这可以通过使用在线机器学习模型来实现,例如使用随机梯度下降的线性回归。
在决定如何部署机器学习模型时,应该考虑许多因素和影响。这些因素包括以下内容:
了解这些因素,有助于在一次性、批量和实时模型部署方法之间做出选择。
上一篇:东方电机 东方电机正式员工待遇
下一篇:为什么人工智能应该开源?