導讀

為什么我們的機器學習項目會失敗？

創(chuàng)造一個大的機器學習系統(tǒng)是一門藝術。

在構建一個大的機器學習系統(tǒng)時，有很多事情需要考慮。但作為數(shù)據(jù)科學家，我們常常只擔心項目的某些部分。

但是我們是否考慮過一旦我們擁有了模型，我們將如何部署它們？

我見過許多 ML 項目，其中許多項目注定要失敗，因為它們從一開始就沒有一個固定的生產計劃。

這篇文章是關于一個成功的 ML 項目的過程需求 —— 一個進入生產的項目。

1. 在開始的時候建立基線

你并不需要用模型來獲得基線結果。

假設我們將使用 RMSE 作為我們的時間序列模型的評估指標。我們在測試集上對模型進行了評估，RMSE 為 3.64。

3.64 是個好 RMSE 嗎？我們怎么知道？我們需要一個基線 RMSE。

這可能來自當前使用的用于相同任務的模型?；蛘呤褂靡恍┓浅：唵蔚膯l(fā)式。對于時間序列模型，需要打敗的基線是最后一天的預測。即，預測前一天的數(shù)字。

如果是圖像分類任務，取 1000 個有標簽的樣本。而人類的準確性可以作為你的基線。如果一個人不能在任務中獲得 70%的預測精度，那么如果你的模型達到類似的水平，你總是可以考慮將流程自動化。

學習：在你創(chuàng)建模型之前，試著了解你將要得到的結果。設定一些不切實際的期望只會讓你和你的客戶失望。

2. 持續(xù)集成是前進的方向

你現(xiàn)在已經(jīng)創(chuàng)建了你的模型。它在本地測試數(shù)據(jù)集上的性能比基線/當前模型要好。我們應該繼續(xù)前進嗎？

我們有兩個選擇：

進一步改進我們的模型，這是一個無止境的循環(huán)。

在生產環(huán)境中測試我們的模型，得到更多關于可能出錯的信息，然后使用持續(xù)集成來改進我們的模型。

我支持第二種方法。Andrew Ng 在 Coursera 上的第三門課，“Deep Learning Specialization”中的“Structuring Machine learning”中說：

“不要一開始就試圖設計和構建完美的系統(tǒng)。相反，應該快速地建立和訓練一個基本的系統(tǒng) —— 也許只需要幾天的時間。即使基本的系統(tǒng)遠遠不是你能建立的“最好”的系統(tǒng)，檢查基本的系統(tǒng)是有價值的：你會很快找到一些線索，告訴你在哪些方面最值得投入你的時間。

完成比完美更好。

學習：如果你的新模型比當前生產中的模型更好，或者你的新模型比基線更好，那么等待投入生產是沒有意義的。

3. 你的模型可能會進入生產

你的模型是否優(yōu)于基線？它在本地測試數(shù)據(jù)集上表現(xiàn)得更好，但是它真的能在整體上工作得很好嗎？

為了測試你的模型優(yōu)于現(xiàn)有模型的假設的有效性，你可以設置一個A/B 測試。一些用戶(測試組)看到來自你的模型的預測，而一些用戶(控制組)看到來自前一個模型的預測。

事實上，這是部署模型的正確方式。你可能會發(fā)現(xiàn)你的模型并沒有看起來那么好。

錯了并不是真的錯，錯的是沒有預料到我們可能會錯。

很難指出你的模型在生產環(huán)境中表現(xiàn)不佳的真正原因，但一些原因可能是：

你可能會看到實時的數(shù)據(jù)與訓練數(shù)據(jù)有很大的不同。

或者你沒有正確地完成預處理 pipeline。

或者你沒有正確地衡量 performance。

或者你的實現(xiàn)中有一個 bug。

學習：不要全面投入生產。A/B 測試永遠是前進的好方法。準備一些可以依靠的東西(可能是一個更老的模型)?？傆幸恍〇|西會出問題，這是你無法預料的。

4. 你的模型可能不會投入生產中

我創(chuàng)建了這個令人印象深刻的 ML 模型，它提供了 90%的準確性，但它需要大約 10 秒鐘來獲取預測。

**這樣可接受嗎？**對于某些用例可能是，但實際上不是。

在過去，有許多 Kaggle 競賽的獲勝者最終創(chuàng)造了非常大的模型集成，占據(jù)了排行榜的榜首。下面是一個例子模型，它曾在 Kaggle 上贏得 Otto 分類挑戰(zhàn)：

在Level1上用了33個模型和8種特征工程

另一個例子是 Netflix 百萬美元推薦引擎挑戰(zhàn)。由于涉及的工程成本，Netflix 團隊最終沒有使用獲獎解決方案。

那么，如何讓你的模型在機器上既準確又簡單呢？

Teacher — Student模型

這就引出了 Teacher-Student 模型或“知識蒸餾”的概念。在知識蒸餾中，我們在一個更大的已經(jīng)訓練好的教師模型上訓練一個更小的學生模型。

這里我們使用來自教師模型的軟標簽/概率，并將其作為學生模型的訓練數(shù)據(jù)。

關鍵是，老師輸出類別概率 —— “軟標簽”而不是“硬標簽”。例如，一個水果分類器可能會說“Apple 0.9, Pear 0.1”而不是“Apple 1.0, Pear 0.0”。為什么要這樣呢？因為這些“軟標簽”比原來的標簽信息更豐富——告訴學生，是的，這個蘋果確實有點像梨。學生模型通常可以非常接近教師水平的表現(xiàn)，即使參數(shù)少了 1-2 個數(shù)量級！

學習：有時，我們的預測時間很有限，所以我們想要一個更輕的模型。我們可以嘗試構建更簡單的模型，或者嘗試對這樣的用例使用知識蒸餾。

5. 周期性的維護和反饋

世界不是恒定的，你的模型權重也不是恒定的

我們周圍的世界正在迅速變化，兩個月前可能適用的東西現(xiàn)在可能已經(jīng)不適用了。在某種程度上，我們建立的模型是對世界的反映，如果世界在變化，我們的模型應該能夠反映這種變化。

模型性能通常隨時間而下降。

由于這個原因，我們必須在一開始就考慮將我們的模型升級作為維護的一部分

維護周期的頻率完全取決于你試圖解決的業(yè)務問題。在一個廣告預測系統(tǒng)中，用戶往往變化無常，購買模式不斷出現(xiàn)，需要相當高的頻率。而在評論情緒分析系統(tǒng)中，由于語言本身的結構變化不是很大，所以頻率不需要那么高。

我還必須要承認反饋回路在機器學習系統(tǒng)中的重要性。假設你用貓狗分類器預測了一個的圖像是狗，但是概率很低。我們能從這些低置信度的例子中學到什么嗎？你可以將其發(fā)送到手動檢查，以檢查它是否可以用于重新訓練模型。通過這種方式，我們可以在它不確定的樣本上訓練分類器。

學習：在考慮生產時，提出使用反饋來維護和改進模型的計劃。

總結

在考慮將模型投入生產之前，我發(fā)現(xiàn)這些事情是很重要的。

雖然這并不是你需要考慮的事情和可能出錯的事情的詳盡列表，但它無疑可以作為你下次創(chuàng)建機器學習系統(tǒng)時的思想食糧。