譯者 | 布加迪

審校 | 孫淑娟

目前，沒有用于構(gòu)建和管理機器學習（ML）應用程序的標準實踐。機器學習項目組織得不好，缺乏可重復性，而且從長遠來看容易徹底失敗。因此，我們需要一套流程來幫助自己在整個機器學習生命周期中保持質(zhì)量、可持續(xù)性、穩(wěn)健性和成本管理。

圖1. 機器學習開發(fā)生命周期流程

使用質(zhì)量保證方法開發(fā)機器學習應用程序的跨行業(yè)標準流程（CRISP-ML（Q））是CRISP-DM的升級版，以確保機器學習產(chǎn)品的質(zhì)量。

CRISP-ML（Q）有六個單獨的階段：

1. 業(yè)務和數(shù)據(jù)理解

2. 數(shù)據(jù)準備

3. 模型工程

4. 模型評估

5. 模型部署

6. 監(jiān)控和維護

這些階段需要不斷迭代和探索，以構(gòu)建更好的解決方案。即使框架中有順序之分，后一階段的輸出可以決定我們要不要重新檢查前一階段。

圖2. 每個階段的質(zhì)量保證

質(zhì)量保證方法被引入到框架的每個階段。這套方法有要求和約束，比如性能指標、數(shù)據(jù)質(zhì)量要求和穩(wěn)健性。它有助于降低影響機器學習應用程序成功的風險。它可以通過持續(xù)監(jiān)控和維護整個系統(tǒng)來實現(xiàn)。

比如說：在電子商務企業(yè)，數(shù)據(jù)和概念漂移會導致模型退化；如果我們沒有部署系統(tǒng)來監(jiān)控這些變化，公司就會蒙受損失，即失去客戶。

業(yè)務和數(shù)據(jù)理解

開發(fā)流程一開始，我們需要確定項目范圍、成功標準和ML應用程序的可行性。之后，我們開始數(shù)據(jù)收集和質(zhì)量驗證過程。這個過程漫長而又充滿挑戰(zhàn)。

范圍：我們希望通過使用機器學習流程實現(xiàn)的目標。是留住客戶，還是通過自動化降低運營成本？

成功標準：我們必須定義清晰和可衡量的業(yè)務、機器學習（統(tǒng)計指標）和經(jīng)濟（KPI）成功指標。

可行性：我們需要確保數(shù)據(jù)可用性、機器學習應用程序的適用性、法律約束、穩(wěn)健性、可擴展性、可解釋性和資源需求。

數(shù)據(jù)收集：通過收集數(shù)據(jù)，對其進行版本控制以實現(xiàn)可重復性，并確保源源不斷的真實數(shù)據(jù)和生成數(shù)據(jù)。

數(shù)據(jù)質(zhì)量驗證：通過維護數(shù)據(jù)描述、要求和驗證來確保質(zhì)量。

為了確保質(zhì)量和可重復性，我們需要記錄數(shù)據(jù)的統(tǒng)計屬性和數(shù)據(jù)生成過程。

數(shù)據(jù)準備

  第二階段很簡單。我們將為建模階段準備數(shù)據(jù)。這包括數(shù)據(jù)選擇、數(shù)據(jù)清洗、特征工程、數(shù)據(jù)增強和規(guī)范化。

1. 我們從特征選擇、數(shù)據(jù)選擇以及通過過采樣或欠采樣來處理不平衡類入手。

2. 然后，專注于減少噪音和處理缺失值。出于質(zhì)量保證的目的，我們將添加數(shù)據(jù)單元測試，以減少錯誤值。

3. 視模型而定，我們執(zhí)行特征工程和數(shù)據(jù)增強，比如獨熱編碼和聚類。

4. 規(guī)范化和擴展數(shù)據(jù)。這可降低特征有偏差的風險。

為了確保可重復性，我們創(chuàng)建了數(shù)據(jù)建模、轉(zhuǎn)換和特征工程管道。

模型工程

業(yè)務和數(shù)據(jù)理解階段的約束和要求將決定建模階段。我們需要了解業(yè)務問題以及我們將如何開發(fā)機器學習模型來解決這些問題。我們將專注于模型選擇、優(yōu)化和訓練，將確保模型性能指標、穩(wěn)健性、可擴展性、可解釋性，并優(yōu)化存儲和計算資源。

1. 模型架構(gòu)和類似業(yè)務問題方面的研究。

2. 定義模型性能指標。

3. 模型選擇。

4. 通過整合專家來了解領域知識。

5. 模型訓練。

6. 模型壓縮和集成。

為確保質(zhì)量和可重復性，我們將存儲模型元數(shù)據(jù)并進行版本控制，比如模型架構(gòu)、訓練和驗證數(shù)據(jù)、超參數(shù)以及環(huán)境描述。

最后，我們將跟蹤ML試驗，并創(chuàng)建ML管道，以創(chuàng)建可重復的訓練流程。

模型評估

這是我們測試并確保模型已準備好部署的階段。

• 我們將在測試數(shù)據(jù)集上測試模型性能。
• 通過提供隨機或虛假數(shù)據(jù)，評估模型的穩(wěn)健性。
• 增強模型的可解釋性，以滿足監(jiān)管部門要求。
• 自動或請教領域?qū)＜遥瑢⒔Y(jié)果與初始成功指標進行比較。

為了質(zhì)量保證，評估階段的每一步都被記錄下來。

模型部署

模型部署是我們將機器學習模型集成到現(xiàn)有系統(tǒng)中的階段。該模型可以部署在服務器、瀏覽器、軟件和邊緣設備上。來自模型的預測可用于BI儀表板、API、Web應用程序和插件。

模型部署流程：

• 定義硬件推理。
• 生產(chǎn)環(huán)境中的模型評估。
• 確保用戶接受和可用性。
• 提供后備方案，最大程度地減少損失。
• 部署策略。

監(jiān)控和維護

生產(chǎn)環(huán)境中的模型需要持續(xù)監(jiān)控和維護。我們將監(jiān)控模型時效性、硬件性能和軟件性能。

持續(xù)監(jiān)控是流程的第一部分；如果性能降到閾值以下，自動做出決定，針對新數(shù)據(jù)重新訓練模型。此外，維護部分不僅限于模型的重新訓練。它需要決策機制，獲取新數(shù)據(jù)、更新軟硬件以及根據(jù)業(yè)務用例改進ML流程。

簡而言之，就是持續(xù)集成、訓練和部署ML模型。

結(jié)論

訓練和驗證模型是ML應用程序的一小部分。將最初的想法變成現(xiàn)實需要幾個過程。我們在本文中介紹了CRISP-ML（Q） 以及它如何側(cè)重風險評估和質(zhì)量保證。

我們先定義業(yè)務目標、收集和清理數(shù)據(jù)、構(gòu)建模型、拿測試數(shù)據(jù)集驗證模型，然后將其部署到生產(chǎn)環(huán)境中。

該框架的關鍵組件是持續(xù)監(jiān)控和維護。我們將監(jiān)控數(shù)據(jù)和軟硬件指標，以確定是重新訓練模型還是升級系統(tǒng)。

如果您不熟悉機器學習操作，想了解更多信息，請閱讀DataTalks.Club評述的??免費MLOps課程??。您將獲得所有六個階段的上手經(jīng)驗，了解CRISP-ML的實際實施。

原文標題：??Making Sense of CRISP-ML(Q): The Machine Learning Lifecycle Process??，作者：Abid Ali Awan