部署机器学习模型的后期监视

概述

• 部署机器学习模型后下一步是什么?
• 部署后的监视是任何机器学习项目中的关键步骤
• 学习部署模型后的监视的各个方面

介绍

你已经建立了你的机器学习模型。你甚至已经准备将你的模型投入生产(或模型部署)。很好，你应该做好一切准备来打动你的终端用户或者客户。

但是等等，作为数据科学的领导者，你在项目中的角色还没有结束。现在需要仔细监视你和你的团队创建和部署的机器学习模型。有不同的方法可以执行部署模型后的监视，我们将在本文中讨论它们。

我们首先快速回顾一下本实用机器学习系列的前三篇文章。然后，我们会理解为什么机器学习中的"auto-healing(自愈)"问题，为什么每个专业人士都应该意识到这一点。我们将深入研究两种的后期监控的方法，并了解在哪里以及如何使用它们。

目录

1. 快速回顾这个系列文章
2. “自愈"中的"自"与"愈”，以及去除"自"
3. 主动监测模型
4. 反应性监测模型
5. 解决根本原因，而不是表面症状

快速回顾这个系列文章

在本系列文章中，到目前为止，我们已经讨论了：

• 协调所有主要利益相关者的方法与涉及数据驱动产品的开发和部署
• 将定性业务需求转换为定量技术需求的基本框架，以及跟踪进展的一致方法
• 端到端系统设计，使机器学习组件与解决方案的其余部分协同交互，以提供最佳的用户体验

一旦部署了最优的端到端系统，我们是否宣告胜利并继续前进?不!至少现在还没有。

在本系列的第四篇(也是最后一篇)文章中，我们将讨论在部署机器学习(ML)的最终产品之后，数据科学领导者需要计划的各种部署后的监视和维护相关方面。俗话说"登顶难，待在那里更难"，最适用于这种情况。

“自愈"中的"自"与"愈”，以及去除"自"

关于机器学习模型有一个流行且危险的错误理解，即它们会自愈(auto-heal)。自愈的定义如下:

特别地，我们期望一个机器学习模型能够持续地、自动地识别出它在哪里犯了错误，找到纠正这些错误的最佳方法，并将这些变化整合到系统中，所有这些都几乎不需要人工干预。

现实情况是，这种"自愈"充其量只是一个遥不可及的梦想。

如今，只有少数机器学习技术能够在他们试图完成一项任务时从错误中学习。这些技术通