管道监控
管道监控
你好机器学习工程世界！
如果您一直在关注这些系列文章，您可能会认为部署一切在理论上看起来都很容易，但实际上您的机器学习系统实际上比这更复杂。在许多情况下，您不会部署和监控一个单一的机器学习模型。您实际上拥有一个完整而复杂的管道，其中部署了不同的模型。那么我们如何监控呢？今天，我们将兑现我们对管道监控主题的承诺。
让我们从一个例子开始。我们可能有一个网站的多个点击流作为数据，我们可以有一个模型来预测创建点击流的用户是否拥有汽车。该模型的输出可能会被馈送到另一个推荐系统，以便向该特定用户展示汽车保险广告。这是一个具有两个机器学习模型的系统，其中第一个模型的输出是第二个模型的输入。这样，第一个模型的更新可能会使第二个模型表现不佳。管道中可能会出现明显的级联效应，难以跟踪。
为了确保我们检测到这些问题，我们需要建立一组指标来监控管道的不同阶段。这些包括不同阶段的软件指标，甚至是作为一个完整系统的管道末端的软件指标，以及管道中每个组件的输入和输出指标。
在这一点上我们必须提到，监控的目标之一，特别是管道监控，是能够检测概念漂移和数据漂移。我们之前已经讨论过这个话题，但是用户数据通常变化多快？我们通常会处理用户行为的突然变化吗？我们很少看到行为的突然变化。有明显的例外。这场大流行几乎在一夜之间对数百万人产生了巨大影响。但通常情况并非如此。逐渐看到人们行为模式的变化更为常见。
另一方面，不是由人产生的变化类型可能非常快。假设一家制造工厂购买了一台新设备，该设备为具有不同涂装的汽车提供零件。这可以在几天甚至几小时内生成与之前的光学缺陷识别数据集完全不同的全新数据集。
我们已经涵盖了 监控已部署的机器学习系统 所以我们将保持这篇文章很短。但请继续查看涵盖不同主题的其他文章，如果您想更进一步，请查看 深度学习.ai 有关人工智能系统的更多信息。
如果您喜欢它，请发表评论！
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明
