22、机器学习实战：概念、技术与应用全解析

机器学习实战：概念、技术与应用全解析

1. 机器学习协作与MLOps资源

在大多数公司里，机器学习项目并非由一人包办，因此良好的沟通至关重要。对于MLOps相关主题，可参考以下资源：
- 《Introduction to MLOps》
- 《MLOps: Continuous Delivery and Automation Pipelines in Machine Learning》
- 《Designing Machine Learning Systems》（作者Chip Huyen，2022年出版）

2. 持续训练与评估

在之前的实践中，我们使用AutoML训练了一个模型，用于将交易分类为欺诈或合法。该模型在提供的数据集上表现良好，但投入生产几个月后，公司支持团队收到了更多客户事后报告的欺诈交易，而模型却未标记出其中许多欺诈交易。这是怎么回事呢？

随着时间推移，不同类型的漂移会影响模型性能。例如，可能出现了原始训练数据集中不存在的新型欺诈交易，模型可能无法识别，这就是数据漂移，即底层数据分布发生了变化。另一种漂移是概念漂移，指特征与标签之间的关系随时间改变。以零售需求预测为例，购物趋势随时间变化，同一产品在不同时间的销售情况会因当前趋势而异，产品本身未变，但产品与销售之间的关系改变了。

持续训练是根据某些标准自动重新训练模型的过程。这些标准通常取决于时间或模型性能。例如，你可能希望每周重新训练模型，或者当客户报告错过一定比例的欺诈交易时重新训练。对于大多数生产中的模型来说，这是一种常见且重要的做法。

持续评估是决定何时重新训练模型的重要组成部分，也是监控模型性能的关键。当模型对新数据