天天躁夜夜躁狠狠躁av麻豆男男,www.色日本,深爱五月婷婷,国产蜜臀秘入口,久久嫩逼,翔田千里无码播放HD,草比视频网站,免费观看全黄做爰的视频

模型部署

參與：小舟

轉(zhuǎn)自：機(jī)器之心

在生產(chǎn)環(huán)境中部署機(jī)器學(xué)習(xí)模型是一個復(fù)雜的過程，需要考慮諸多因素，也存在很多挑戰(zhàn)。近日，來自劍橋的研究者梳理了該流程常見的問題。

近年來，機(jī)器學(xué)習(xí)在學(xué)術(shù)研究領(lǐng)域和實際應(yīng)用領(lǐng)域得到越來越多的關(guān)注。但是，在生產(chǎn)系統(tǒng)中部署機(jī)器學(xué)習(xí)模型存在許多問題和擔(dān)憂。近日，來自劍橋的研究者做了一項調(diào)查，綜述了在各個用例、行業(yè)和應(yīng)用中部署機(jī)器學(xué)習(xí)解決方案的報告，并提取了機(jī)器學(xué)習(xí)部署工作流程各階段需要實際考量的因素。

論文地址：https://arxiv.org/pdf/2011.09926.pdf

該調(diào)查表明，機(jī)器學(xué)習(xí)從業(yè)者在部署模型的每一個階段都面臨挑戰(zhàn)。該論文的意義是制定研究議程，以探索解決這些挑戰(zhàn)的方法。

該調(diào)查主要考慮了三種類型的論文：

用例研究型論文：這類論文提供單個機(jī)器學(xué)習(xí)部署項目的經(jīng)過，通常會深入討論作者面臨的每個挑戰(zhàn)以及克服方式。
綜述文章：這類文章描述了機(jī)器學(xué)習(xí)在特定領(lǐng)域或行業(yè)中的應(yīng)用，通?？偨Y(jié)了在所涉及領(lǐng)域中部署機(jī)器學(xué)習(xí)解決方案最常遇到的挑戰(zhàn)。
經(jīng)驗總結(jié)型論文：作者通常會回顧他們在生產(chǎn)中部署機(jī)器學(xué)習(xí)模型的經(jīng)驗。

為確保本次調(diào)查聚焦當(dāng)前挑戰(zhàn)，劍橋大學(xué)研究人員僅考慮近 5 年發(fā)表的論文，只有少數(shù)例外。此外，他們還引用了其他類型的論文，例如實踐指導(dǎo)報告、訪談研究、規(guī)則制度。需要注意的是，該論文沒有進(jìn)行新的訪談。

機(jī)器學(xué)習(xí)部署流程

該論文使用 Ashmore 等人 [14] 提出的機(jī)器學(xué)習(xí)部署工作流程定義。根據(jù)該定義，在工業(yè)環(huán)境中開發(fā) ML 解決方案的過程包含 4 個階段：

數(shù)據(jù)管理：重點(diǎn)是準(zhǔn)備構(gòu)建機(jī)器學(xué)習(xí)模型所需的數(shù)據(jù)。
模型學(xué)習(xí)：模型選擇和訓(xùn)練。
模型驗證：確保模型符合特定功能和性能要求。
模型部署：將訓(xùn)練好的模型集成到運(yùn)行模型所需的軟件基礎(chǔ)架構(gòu)中。此階段還涵蓋模型維護(hù)和更新的問題。

以上每個階段還可以進(jìn)一步細(xì)分。但需要注意的是其順序與現(xiàn)實場景未必完全相符，這些階段并行執(zhí)行或存在反饋循環(huán)是很正常的。

本文探討了每個階段會出現(xiàn)的常見問題，以及會對各階段帶來影響的跨領(lǐng)域問題，參見下表：

數(shù)據(jù)處理

數(shù)據(jù)是任何機(jī)器學(xué)習(xí)解決方案中不可或缺的部分，訓(xùn)練和測試數(shù)據(jù)對解決方案整體效果的影響不比算法少。創(chuàng)建高質(zhì)量數(shù)據(jù)集通常是生產(chǎn)級機(jī)器學(xué)習(xí)流程的第一步。該論文介紹了數(shù)據(jù)管理的四個步驟：數(shù)據(jù)收集、數(shù)據(jù)預(yù)處理、數(shù)據(jù)增強(qiáng)和數(shù)據(jù)分析。

數(shù)據(jù)收集

數(shù)據(jù)收集旨在發(fā)現(xiàn)和了解可用數(shù)據(jù)，以及組織數(shù)據(jù)的存儲結(jié)構(gòu)。發(fā)現(xiàn)和尋找數(shù)據(jù)本身就是一項挑戰(zhàn)，特別是在大型生產(chǎn)環(huán)境中。查找數(shù)據(jù)源并了解其結(jié)構(gòu)是主要任務(wù)，對于后續(xù)數(shù)據(jù)科學(xué)家開展實際應(yīng)用開發(fā)具有重要作用。

數(shù)據(jù)預(yù)處理

預(yù)處理步驟通常涉及一系列數(shù)據(jù)清洗步驟：插補(bǔ)缺失值、將數(shù)據(jù)縮減為有序且簡化的形式、從原始格式映射為更便于處理的格式。

數(shù)據(jù)增強(qiáng)

數(shù)據(jù)增強(qiáng)的原因有多種，其中最重要的原因之一是數(shù)據(jù)缺少標(biāo)簽?，F(xiàn)實世界中的數(shù)據(jù)通常沒有標(biāo)簽，缺少標(biāo)注數(shù)據(jù)的可能因素有三個：專家訪問受限、缺乏高方差（high-variance）數(shù)據(jù)、數(shù)據(jù)量過大。

數(shù)據(jù)分析

數(shù)據(jù)分析旨在發(fā)現(xiàn)數(shù)據(jù)中的潛在偏差或意外分布。高質(zhì)量工具對于任何類型的數(shù)據(jù)分析都至關(guān)重要，其中數(shù)據(jù)剖析（data profiling）的可視化是極具挑戰(zhàn)性的。

模型學(xué)習(xí)

近年來，機(jī)器學(xué)習(xí)方法的研究傾向于在模型學(xué)習(xí)階段更好地選擇和使用各種模型和方法。六年來，機(jī)器學(xué)習(xí)頂會 NeurIPS 的論文提交量翻了兩番，從 2014 年的 1678 篇到 2019 年的 6743 篇。盡管如此，模型學(xué)習(xí)階段仍然受到許多實際因素的影響。本文主要闡明了與模型選擇、訓(xùn)練和超參數(shù)選擇 3 個步驟有關(guān)的問題。

模型選擇

在許多實際例子中，模型選擇通常取決于模型的一個關(guān)鍵特性：復(fù)雜度。盡管深度學(xué)習(xí)和強(qiáng)化學(xué)習(xí)在研究界越來越受歡迎，但實際情況中往往會選擇比較簡單的模型。常用的模型包括：淺層網(wǎng)絡(luò)架構(gòu)，基于 PCA 的簡單方法、決策樹、隨機(jī)森林。

訓(xùn)練

模型訓(xùn)練最受關(guān)注的問題之一是因計算資源導(dǎo)致的經(jīng)濟(jì)成本。在自然語言處理（NLP）領(lǐng)域，盡管單個浮點(diǎn)運(yùn)算的成本在降低，但訓(xùn)練 NLP 模型的總成本卻在增長。Sharir 等人選擇 SOTA 模型之一 BERT 進(jìn)行實驗，結(jié)果發(fā)現(xiàn)根據(jù)所選模型的大小，完整訓(xùn)練過程的經(jīng)濟(jì)成本可能在 5 萬到 160 萬美元不等，而這是大多數(shù)研究機(jī)構(gòu)甚至企業(yè)無法承受的。此外，訓(xùn)練數(shù)據(jù)集的大小、模型參數(shù)的數(shù)量和訓(xùn)練過程中用到的操作數(shù)量都會對總成本產(chǎn)生影響。值得一提的是，模型參數(shù)量是尤其重要的影響因素：新的 NLP 模型已經(jīng)達(dá)到了數(shù)十億的參數(shù)量，未來這一數(shù)字還可能進(jìn)一步增加。

超參數(shù)選擇

除了在訓(xùn)練過程中學(xué)習(xí)到的參數(shù)以外，許多機(jī)器學(xué)習(xí)模型還定義了一些超參數(shù)。超參數(shù)優(yōu)化（HPO）是選擇這些超參數(shù)最佳集合的過程。大多數(shù) HPO 技術(shù)涉及機(jī)器學(xué)習(xí)模型的多個訓(xùn)練周期。此外，HPO 任務(wù)的規(guī)模隨著每個新的超參數(shù)呈指數(shù)式增長，因為它為搜索空間增加了新的維度。正如 Yang 和 Shami 所說，這些考慮因素使 HPO 技術(shù)在實踐中非常昂貴且耗費(fèi)資源，尤其是對于深度學(xué)習(xí)的應(yīng)用而言。即使 Hyperband 和貝葉斯優(yōu)化這類專門設(shè)計用來最小化所需訓(xùn)練周期的方法，由于模型復(fù)雜度和數(shù)據(jù)集大小等問題，有些問題仍然無法解決。

模型驗證

模型驗證階段的目標(biāo)是多方面的，因為機(jī)器學(xué)習(xí)模型應(yīng)該很好地泛化到未見過的輸入，顯示出對邊緣情況的合理處理和整體魯棒性，并滿足所有的功能需求。該論文討論了與模型驗證中的三個步驟——需求編碼、形式驗證和基于測試的驗證有關(guān)的問題。

需求編碼

定義機(jī)器學(xué)習(xí)模型的需求是測試活動的關(guān)鍵前提，但實際情況中經(jīng)常會發(fā)現(xiàn)模型性能提升并不能轉(zhuǎn)換為商業(yè)價值的增益。

形式驗證

形式驗證是指驗證模型功能是否符合項目范圍內(nèi)所定義的要求。這類驗證包括對其正確性的數(shù)學(xué)證明，也可以包括輸出誤差范圍的數(shù)值估計，但是這種情況實際上很少發(fā)生，往往是通過廣泛的監(jiān)管框架形式化設(shè)置高質(zhì)量標(biāo)準(zhǔn)。

基于測試的驗證

基于測試的驗證旨在確保模型能夠很好地泛化到未見過的數(shù)據(jù)。盡管收集驗證數(shù)據(jù)集通常不是問題，但對于生產(chǎn)部署而言這可能還不夠。

模型部署

在生產(chǎn)環(huán)境中運(yùn)行的機(jī)器學(xué)習(xí)系統(tǒng)是復(fù)雜的軟件系統(tǒng)，需要根據(jù)時間的變化進(jìn)行維護(hù)。這給開發(fā)人員帶來了新的挑戰(zhàn)。其中一些挑戰(zhàn)在運(yùn)行常規(guī)軟件服務(wù)時也存在，而有些挑戰(zhàn)則是機(jī)器學(xué)習(xí)特有的。

模型集成

模型集成步驟包括兩個主要活動：構(gòu)建運(yùn)行模型的基礎(chǔ)架構(gòu)，以可使用和支持的形式實現(xiàn)模型。前者幾乎是完全屬于系統(tǒng)工程的主題，后者則屬于機(jī)器學(xué)習(xí)領(lǐng)域，它揭示了機(jī)器學(xué)習(xí)與軟件工程交集中的重要問題。

模型監(jiān)測

模型監(jiān)測是維護(hù)機(jī)器學(xué)習(xí)系統(tǒng)方面的問題之一。社區(qū)正處于理解待監(jiān)測數(shù)據(jù)和模型的關(guān)鍵指標(biāo)以及如何啟動警報的早期階段。監(jiān)測不斷變化的輸入數(shù)據(jù)、預(yù)測偏差和機(jī)器學(xué)習(xí)模型的整體性能是一個尚未解決的問題。

該論文強(qiáng)調(diào)的另一個維護(hù)問題與數(shù)據(jù)驅(qū)動決策有關(guān)，即反饋循環(huán)。生產(chǎn)級機(jī)器學(xué)習(xí)模型可以通過定期的再訓(xùn)練影響自己的行為。在確保模型保持最新狀態(tài)的同時，我們可以創(chuàng)建反饋循環(huán)，即調(diào)整模型的輸入以影響其行為。

模型更新

模型完成初始部署后，通常還需要更改，以確保模型始終反映數(shù)據(jù)和環(huán)境的最新趨勢。有多種技術(shù)可以使模型適應(yīng)新數(shù)據(jù)，包括按計劃定期再訓(xùn)練和持續(xù)學(xué)習(xí)。但在生產(chǎn)環(huán)境中，模型更新會受到多種實際因素的影響。

除了與機(jī)器學(xué)習(xí)模型部署工作流程四階段相關(guān)的問題以下，該論文還探討了倫理、用戶信任、安全性相關(guān)的問題，詳情參見原論文。

往期精彩：

【原創(chuàng)首發(fā)】機(jī)器學(xué)習(xí)公式推導(dǎo)與代碼實現(xiàn)30講.pdf

【原創(chuàng)首發(fā)】深度學(xué)習(xí)語義分割理論與實戰(zhàn)指南.pdf

?算法工程師研發(fā)技能表

?真正想做算法的，不要害怕內(nèi)卷

?技術(shù)學(xué)習(xí)不能眼高手低

?技術(shù)人要學(xué)會自我營銷

?做人不能過擬合

機(jī)器學(xué)習(xí)模型部署都有哪些坑？劍橋研究者梳理了99篇相關(guān)研究

求個在看

機(jī)器學(xué)習(xí)模型部署都有哪些坑？劍橋研究者梳理了99篇相關(guān)研究

求個在看

機(jī)器學(xué)習(xí)模型部署都有哪些坑？劍橋研究者梳理了99篇相關(guān)研究