模型维护

MLOps 部署与生命周期管理

Nemanja Radojkovic

Senior Machine Learning Engineer

回顾…

• 如何捕捉异常与干扰？

 

本课重点：ML 模型失效

¹ https://datacentricai.org/

质量重于数量

• 获取更相关的信息特征
• 获得更优的标签

 

标签（Label） == 训练集中的目标变量值

标签质量 == 与真实值的接近程度

标注工具的优势

人工标注复杂、耗时、易出错

使用优质标注工具！

• 标注更高效
• 更准确
• 界面更贴合场景
• "先标这些样本，影响最大"
• "此处似乎有误"

示例：用于构建图像分类器的图像标注工具

当标签到位时

• 运行 ML 构建流水线 => 新模型
• 检查新模型是否优于旧模型
  • 是 => 测试并部署
  • 否 => 继续探索

继续探索

• 试新模型
• 试新特征
• 试新数据源

 

极其有用：元数据存储（MLFlow Tracking 等）

• 记录模型选择历程
• 避免重复实验

 

无论如何： MLOps 可让我们以最快、最高效方式维护模型

Passons à la pratique !

MLOps 部署与生命周期管理