管理超出初始部署的模型
您已经建立了您的人工智能模型，培训了它，测试了它，调整它，部署到生产 - 您甚至收到客户的伟大反馈！现在是时候继续前进到你的下一个挑战了吗？
不完全的。
现实是它只是开始：部署后机器学习模型的生命周期延长。
最终但连续的ML开发阶段是模型监测和维护。与任何机器一样，AI模型需要定期调整和更新以满足性能期望。未能执行此基本步骤可能导致模型精度随时间递减。认识到Get-Go允许您思考您的团队和基础设施的长期需求。随着团队和基础设施进行持续重新培训您的模型，您的模型将成功以超越初始发布。
模型维护101：定期再培训
部署后，您需要监控模型以确保它继续按预期执行。模型漂移是一种现象，您应该期待并准备通过定期再培训来减轻。
什么是模特漂移？
使用历史数据培训AI模型。如果这些模型在使用静态数据的静态环境中运行，那么模型性能将继续恰好它现在的速率 - 永远。但模特通常不会在静态环境中运行;相反，他们面临着不断变化的环境和变量。随着时间的推移，这些变化导致模型性能下降，因为模型没有用于解释不熟悉的数据的预测力量。这种性能下降称为模型漂移。
让我们走过一个例子。想象一下，我们有一个AI模型，可以为购物网站的搜索引擎功能提供动力，并以所需的精度阈值执行。回到2017年，幸福旋转器玩具成为一夜情。此搜索引擎从未遇到过的盗用旋转器，所以当客户搜索“Fidget Spinner”时，该模型无法识别查询并提供不准确的结果（驱动其总精度低于所需阈值）。在这种情况下，模型漂移发生，影响搜索相关性，由于改变外部变量。
为什么我需要进行模型维护？
为了解决上述盗用旋转器问题，工程团队必须用足够的新数据，包括盗用旋转器的新数据，包括提供带有标记图像的盗用旋转器的模型，并熟悉与盗用旋转器相关的所有关键字。在此更新之后，模型的性能理论上将重新平衡到所需的阈值。
Fidget Spipner示例可能是外部环境如何变化的更多二进制图，但它仍然强调了改变AI模型变量的影响。在许多情况下，外部变化更加微妙，因此更难以检测。尽管如此，定期优化您的模型是确保模型按预期执行的唯一方法。
我如何知道何时恢复模型？
再培训率取决于三个因素：模型，数据和业务问题模型试图解决。某些型号需要快速变化的数据。例如，正如我们了解更多关于Covid-19和新案例数据的更多信息，ali型号跟踪病毒的型号需要连续更新。其他类型的模型可能占用更少的动态环境，只需要每隔几个月再培训。
通常有两种主要的培训方法，每个主要方法都具有其优缺点：
基于时间的时间：无论它是如何表演的，都以定期的时间间隔重新培训您的模型。对于基于时间的培训，清楚地了解所需的模型环境中的数据和变量变化的频率和变量的变化。如果您的间隔在临时间隔太间隔，您的模型性能将下降。
连续的：监控关键性能指示符（例如精度阈值和偏置度量）以确定需要再刷新。这依赖于综合测量面板，检测模型漂移有可能发生的潜力。使用不正确或模糊的测量击败方法的意图。
您采取的方法取决于您对您的用例和数据的理解，您的团队可能会选择使用两种技术的组合。幸运的是，监控模型性能的工具提供更多的工具，包括可以立即检测到数据中的偏差的技术。无论您选择的方法如何，您应该包括循环定期检查模型按预期执行。
准备您的制作组织
了解模型再培训的重要性只是管理模型开发后部署阶段的第一步。在达到ML生命周期中的这一步骤之前，工作以创建最佳支持刷新管道的团队结构和流程。这意味着在实践中：
投资MLOPS团队。这是AI发展的新兴领域是有原因的。mlops是aidevops是软件开发的。MLOPS是数据科学家和生产团队之间的合作，这是一个偏离数据科学家（构建模型）和工程师（在生产中维护它）的偏离性质。
如果您未准备好MLOPS团队，请确保在数据库和工程师之间进行开放通信线路和协作。数据科学家有专门知识，他们如何构建和培训模式，该模型可以为生产围绕模型维护提供信息。
快速融入客户的反馈。无论是您的MLOPS团队还是您的工程团队管理生产模型，他们都需要与最接近客户的团队（如客户成功）沟通。客户可以识别错过的模型错误或未表现不佳的区域;客户的成功越有效地可以将此反馈传递给生产团队，模型可以再烫得更快。
获得关键利益相关者买入。您组织的成员可能不明白构建ML模型不是一个完成的过程。教育关键利益相关者（特别是高管）对发布前的连续模型维护和再培训的重要性，以确保足够的时间，金钱和团队成员在部署后生命周期阶段投资。
建立一个再培训管道。在推出AI型号之前映射刷新策略，并确保您拥有正确的工具和基础设施，以解锁效率。包括在您的管道中循环以进行地面真理监控。
推出AI模型后，您的工作可能只是开始。但通过了解培训和投资正确的模型维护资源的重要性，您将使您的AI冒险持续成功。
观看发射AI圆桌会议系列：部署AI按需后的生活听取专家揭示如何准备使用AI部署的下一步。
