知识卡片
所有生产 ML 系统都应视作持续系统
作者最后给出更广的建议:所有生产 ML 系统都应按持续 ML 系统对待,把每个作为生产系统关键部分的模型都想成在被持续训练,哪怕它并非真的每分钟、每小时甚至每天每周更新。理由是把持续系统的标准与最佳实践应用到所有生产级 ML 系统,就能确保技术基础设施、模型开发与 MLOps/危机响应团队都准备好迎接挑战,按「我这套 ML 系统是持续的」来规划就会处于好位置。这可能看似对「只训练一次」的模型是浪费资源,但现实里没有任何生产模型只被训练一次——经验中每个生产级 ML 模型终将被重训或发布新版本(几个月后、明年,随新数据可得或新模型被开发出来);若以每几周或几月临时、不规则的方式进行,很可能导致故障与疏漏。强烈建议有效的 MLOps 团队确保模型按固定节奏(每日、每周或每月)更新,让验证流程与检查清单成为组织文化的一部分;从这个角度看,持续 ML 系统的建议适用于每一个 ML 系统。作者并重申:持续 ML 系统让模型能随时间适应新数据、与用户、市场、环境和世界响应式互动,益处显著;但任何既有高影响力又易被影响的系统都需要大量监督,而这种监督要求远超任何个人(无论多能干)所能承担,不能留给直觉或临场发挥——管理持续 ML 系统的组织必须把它当作持续的高优先级使命,发布或重大更新时格外小心,也要有持续监控与应急预案以便对突发危机快速响应。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- Continuous ML · 查看原书依据
But in addition to giving what we hope are useful mitigation strategies for creating robust and reliable systems even in the face of the difficulties, we would like to make a broader recommendation: All production ML systems should be treated as continuous ML systems. We should think about every model that is a key part of a production system as one that is trained continuously, even if it is not actually updated on new data e