QQ在線
企業(yè)微信
資訊
308【IT168技術(shù)】機(jī)器學(xué)習(xí)模型的訓(xùn)練，通常是通過學(xué)習(xí)某一組輸入特征與輸出目標(biāo)之間的映射來進(jìn)行的。一般來說，對于映射的學(xué)習(xí)是通過優(yōu)化某些成本函數(shù)，來使預(yù)測的誤差最小化。在訓(xùn)練出最佳模型之后，將其正式發(fā)布上線，再根據(jù)未來生成的數(shù)據(jù)生成準(zhǔn)確的預(yù)測。這些新數(shù)據(jù)示例可能是用戶交互、應(yīng)用處理或其他軟件系統(tǒng)的請求生成的——這取決于模型需要解決的問題。在理想情況下，我們會希望自己的模型在生產(chǎn)環(huán)境中進(jìn)行預(yù)測時，能夠像使用訓(xùn)練過程中使用的數(shù)據(jù)一樣，準(zhǔn)確地預(yù)測未來情況。
當(dāng)我們將模型部署到生產(chǎn)中時，往往會假設(shè)未來將使用到的數(shù)據(jù)會類似于過去模型評估期間所使用的數(shù)據(jù)。具體來說，我們可能會假設(shè)，特征和目標(biāo)的分布將保持相當(dāng)?shù)暮愣?。但是這種假設(shè)通常不成立。趨勢會隨著時間的推移而變化，人們的興趣會隨著季節(jié)的變化而變化，股票市場會起伏不定。因此，我們的模型必須適應(yīng)這些變化。
世界是持續(xù)變化的，因此模型部署應(yīng)視為一個連續(xù)的過程，而不是完成第一次部署之后就扭頭去開展下一個項目。如果機(jī)器學(xué)習(xí)團(tuán)隊的工程師發(fā)現(xiàn)數(shù)據(jù)分布與原始訓(xùn)練集的數(shù)據(jù)分布有明顯出入，則需要重新訓(xùn)練模型。這個現(xiàn)象——通常被稱為模型漂移（model drift）——可以緩解，但是會帶來額外的開銷，如監(jiān)視基礎(chǔ)設(shè)施、監(jiān)督和流程等等。
在本文中，筆者想對模型漂移下定義，并討論如何去識別和跟蹤模型漂移。然后，我將描述如何重新訓(xùn)練模型，來減輕漂移對預(yù)測性能的影響，并對應(yīng)多久重新訓(xùn)練一次模型做出建議。最后，我將介紹啟用模型重新訓(xùn)練的幾種方法。
什么是模型漂移？
模型漂移是指，由于環(huán)境的變化違反了模型假設(shè)，而導(dǎo)致模型的預(yù)測性能隨時間而降低。模型漂移有點(diǎn)用詞不當(dāng)，因為變化的不是模型，而是模型運(yùn)行的環(huán)境。因此，概念漂移（concept drift）一詞實(shí)際上可能是一個更好的用詞，不過兩個術(shù)語都描述了相同的現(xiàn)象。
請注意，筆者對模型漂移的定義實(shí)際上包括幾個可以更改的變量。預(yù)測性能將下降，它將在一段時間內(nèi)以某種速率下降，并且這種下降會歸因于違反建模假設(shè)的環(huán)境變化。在確定如何診斷模型漂移以及如何通過模型再訓(xùn)練糾正模型漂移時，應(yīng)考慮這些變量中的每一個。
如何跟蹤模型漂移？
目前業(yè)內(nèi)已有多種識別和跟蹤模型漂移的技術(shù)。在介紹這些技術(shù)之前，值得一提的是，并沒有一種萬能的方法。不同的模型問題需要不同的解決方案，您可能有、也可能沒有相應(yīng)的基礎(chǔ)架構(gòu)或資源來利用某些技術(shù)策略。
模型性能降級
識別模型漂移的最直接方法是明確預(yù)測性能是否已下降，同時量化這種下降。測量實(shí)時數(shù)據(jù)上已部署模型的準(zhǔn)確性是一個眾所周知的難題。之所以出現(xiàn)這種困難，部分原因是我們需要訪問生成的模型的預(yù)測和基本事實(shí)信號。出于以下這些原因，這可能無法實(shí)現(xiàn)：
·預(yù)測的數(shù)據(jù)在生成后沒有存儲——別讓這種事發(fā)生在你身上。
·預(yù)測已存儲，但是您無法訪問基本事實(shí)標(biāo)簽。
·預(yù)測和標(biāo)簽均可用，但不能結(jié)合在一起。
即使預(yù)測和標(biāo)簽可以合并在一起，也可能需要一段時間才能使用標(biāo)簽。例如一個可以預(yù)測下一季度收入的財務(wù)預(yù)測模型。在這種情況下，只有在該季度過去之后才能觀察到實(shí)際收入，所以直到那個時候你才能夠量化模型的效果。在此類預(yù)測問題中， 回填預(yù)測（即訓(xùn)練模型，并根據(jù)過去的歷史數(shù)據(jù)生成預(yù)測）可以幫助您了解模型性能下降的速度。
正如Josh Wills 指出的那樣，在部署模型之前您可以做的最重要的事情之一就是試圖了解離線環(huán)境中的模型漂移。數(shù)據(jù)科學(xué)家應(yīng)想辦法回答以下問題：“如果我使用六個月前的數(shù)據(jù)對這組特征進(jìn)行訓(xùn)練，并將其應(yīng)用于今天生成的數(shù)據(jù)，那么這個模型比我一個月前未經(jīng)訓(xùn)練而創(chuàng)建并應(yīng)用到今天的模型差多少呢？”。離線執(zhí)行此分析，您可以估計模型性能下降的速度以及需要重新訓(xùn)練的頻率。當(dāng)然，這種方法的前提是要有一臺“時光機(jī)”來訪問過去任何時候的實(shí)時數(shù)據(jù)。
檢查訓(xùn)練和實(shí)時數(shù)據(jù)的特征分布
由于隨著輸入特征的分布逐漸偏離訓(xùn)練數(shù)據(jù)的分布，模型性能會下降，因此比較這些分布是推斷模型漂移的好方法。請注意，這里說的是推斷而不是檢測模型漂移，因為我們沒有觀察到預(yù)測性能的實(shí)際下降，而是“預(yù)計”會出現(xiàn)下降。在由于數(shù)據(jù)生成這一過程的性質(zhì)，而無法觀察到實(shí)際基本事實(shí)的情況下，這會非常有用。
每個特征需要監(jiān)視許多不同的東西，包括：
可能值的范圍
值直方圖
該功能是否接受NULL，如果是，則預(yù)期的NULL數(shù)量
能夠通過控制界面快速監(jiān)控這些分布，是朝正確方向邁出的一步。當(dāng)特征差異很大時，可以通過自動跟蹤訓(xùn)練服務(wù)偏差并在特性差異顯著時發(fā)出警告，進(jìn)一步實(shí)現(xiàn)這一點(diǎn)。
檢查特征之間的關(guān)聯(lián)
許多模型會假定特征之間的關(guān)系必須保持固定。因此，您還需要監(jiān)視各個輸入特征之間的成對關(guān)聯(lián)。如您的ML測試分?jǐn)?shù)是多少？ML生產(chǎn)系統(tǒng)的規(guī)范等等，可以通過以下方法實(shí)現(xiàn)：
監(jiān)視特征之間的相關(guān)系數(shù)
訓(xùn)練具有一兩個特征的模型
訓(xùn)練一組模型，每個模型都刪除其中一個特征
檢查目標(biāo)分布
如果目標(biāo)變量的分布發(fā)生顯著變化，那么模型的預(yù)測性能幾乎一定會變差。《機(jī)器學(xué)習(xí)：技術(shù)債務(wù)高息信用卡》的作者指出，一種簡單而有用的診斷方法是跟蹤目標(biāo)分布。與訓(xùn)練數(shù)據(jù)的偏差可能意味著需要重新評估部署模型的質(zhì)量，但請記住，“這絕不是一項全面的測試，因為它可以通過空模型來滿足，該模型可以簡單地預(yù)測標(biāo)簽出現(xiàn)的平均值，而無需考慮輸入特征。”
模型再訓(xùn)練到底是什么意思？
模型再訓(xùn)練似乎是一個超負(fù)荷的操作，它是否只涉及到尋找現(xiàn)有模型架構(gòu)的新參數(shù)？對于更改超參數(shù)搜索空間怎么樣？如何搜索不同的模型類型（RandomForest，SVM等）？我們可以包括新特征還是可以排除以前使用的特征？這些都是很好的問題，因此盡可能明確這些問題是非常重要的。要回答這些問題，重要的是直接考慮我們要解決的問題——也就是說，減少模型漂移對我們部署的模型的影響。
在將模型部署到生產(chǎn)數(shù)據(jù)之前，科學(xué)家需要經(jīng)過嚴(yán)格的模型驗證過程，其中包括：
匯編數(shù)據(jù)集–收集來自不同來源（例如不同數(shù)據(jù)庫）的數(shù)據(jù)集。
特征工程–從原始數(shù)據(jù)中提取列，提高預(yù)測性能。
模型選擇–比較不同的學(xué)習(xí)算法。
錯誤估計–在搜索空間上進(jìn)行優(yōu)化，找到最佳模型并估計其泛化誤差。
此過程會產(chǎn)生一些最佳的模型，然后將其部署到生產(chǎn)中。由于模型漂移具體是指所選模型的預(yù)測性能由于特征／目標(biāo)數(shù)據(jù)分布的變化而下降，因此模型再訓(xùn)練不應(yīng)該帶來不同的模型生成過程。確切地說，重新訓(xùn)練只是指在新的訓(xùn)練數(shù)據(jù)集上重新運(yùn)行生成先前選擇的模型的過程。功能、模型算法和超參數(shù)搜索空間都應(yīng)保持相同。可以這樣想，再訓(xùn)練不涉及任何代碼更改，只涉及改變訓(xùn)練數(shù)據(jù)集。
這并不是說模型的未來迭代不應(yīng)包含新特征或不考慮其他算法類型／體系結(jié)構(gòu)。只是說，這些類型的更改會產(chǎn)生完全不同的模型——在部署到生產(chǎn)環(huán)境之前，應(yīng)該對它們進(jìn)行不同的測試。根據(jù)您的機(jī)器學(xué)習(xí)團(tuán)隊的成熟程度，理想情況下，此類更改將與A ／ B測試一起引入，以測量新模型對預(yù)先確定的興趣指標(biāo)（例如用戶參與度或保留率）的影響。
應(yīng)該多久重新訓(xùn)練一次模型
到目前為止，我們已經(jīng)討論了什么是模型漂移以及識別它的多種方法。于是問題就變成了，我們該如何補(bǔ)救？如果模型的預(yù)測性能由于環(huán)境變化而下降，解決方案是在反映當(dāng)前實(shí)際情況的新訓(xùn)練集上對模型進(jìn)行重新訓(xùn)練。那么，您應(yīng)該多久重新訓(xùn)練一次模型？如何確定新的訓(xùn)練集？對于最困難的問題，答案是視情況而定。但如何視情況而定呢？
有時機(jī)器學(xué)習(xí)問題本身會給出何時需要重新訓(xùn)練模型的建議。例如，假設(shè)您正在一家大學(xué)招生辦工作，并負(fù)責(zé)建立一個可以預(yù)測學(xué)生下學(xué)期是否會回來的學(xué)生流失模型。該模型將在期中后直接用于對當(dāng)前學(xué)生群體進(jìn)行預(yù)測。被確定有流失風(fēng)險的學(xué)生將自動被納入輔導(dǎo)課程或其他干預(yù)措施。
下面我們思考一下這種模型的時間范圍。由于我們每學(xué)期一次批量生成預(yù)測，因此沒有必要再頻繁地重新訓(xùn)練模型，因為我們將無法訪問任何新的訓(xùn)練數(shù)據(jù)。因此，在觀察上學(xué)期的哪些學(xué)生退學(xué)后，我們可能選擇在每個學(xué)期開始時重新訓(xùn)練我們的模型。這就是定期再訓(xùn)練計劃的一個示例。從這個簡單的策略開始，往往是一個好辦法，但是您需要確定重新訓(xùn)練的頻率?？焖俑牡挠?xùn)練集可能需要您每天或每周進(jìn)行一次訓(xùn)練。較慢的發(fā)行版本可能需要每月或每年進(jìn)行重新訓(xùn)練。
如果您的團(tuán)隊已經(jīng)具備了監(jiān)控上一節(jié)中所討論的度量標(biāo)準(zhǔn)的基礎(chǔ)設(shè)施，那么將模型漂移的管理自動化可能是有意義的。這個解決方案需要跟蹤診斷，然后在實(shí)時數(shù)據(jù)上的診斷與訓(xùn)練數(shù)據(jù)診斷不同時觸發(fā)模型再訓(xùn)練。但這種方法也有其自身的挑戰(zhàn)。首先，您需要確定一個發(fā)散的閾值，它將觸發(fā)模型再訓(xùn)練。如果閾值太低，則您可能會過于頻繁地進(jìn)行再訓(xùn)練，從而帶來高計算成本。如果閾值過高，則可能會因為不經(jīng)常進(jìn)行再訓(xùn)練，而導(dǎo)致生產(chǎn)中的模型偏劣質(zhì)。這比看起來要復(fù)雜得多，因為你必須去確定，要收集多少新的訓(xùn)練數(shù)據(jù)，才能代表世界的新狀態(tài)。在世界已經(jīng)發(fā)生改變時，用一個訓(xùn)練集太小的模型來代替現(xiàn)有的模型也是沒有意義的。
如果您的模型已經(jīng)在對抗性環(huán)境中運(yùn)行，則需要特別考慮。在諸如欺詐檢測這樣的設(shè)置中，對抗方會改變數(shù)據(jù)分布以使自己獲利。這些問題可以從在線學(xué)習(xí)中受益，在這之中，模型隨著新數(shù)據(jù)的出現(xiàn)而不斷更新。
如何重新訓(xùn)練模型？
最后，但并非最不重要的一點(diǎn)，我們需要討論如何重新訓(xùn)練模型。您用于模型再訓(xùn)練的方法與您決定再訓(xùn)練的頻率直接相關(guān)。
如果您打算定期去重新訓(xùn)練模型，那么批量進(jìn)行重新訓(xùn)練就完全足夠了。這種方法涉及使用工作調(diào)度程序（例如Jenkins或Kubernetes CronJobs）定期地調(diào)度模型訓(xùn)練過程 。
如果您具有自動模型漂移檢測功能，那么在識別出漂移時觸發(fā)模型重新訓(xùn)練就很有意義。例如，您可能有定期的工作，將實(shí)時數(shù)據(jù)集的特征分布與訓(xùn)練數(shù)據(jù)的特征分布進(jìn)行比較。當(dāng)識別出明顯的偏差時，系統(tǒng)可以自動安排模型再訓(xùn)練以自動部署新模型。同樣，這可以通過諸如Jenkins的作業(yè)調(diào)度程序或使用 Kubernetes Jobs來執(zhí)行。
最后，利用在線學(xué)習(xí)技術(shù)更新當(dāng)前正在生產(chǎn)的模型可能也是有意義的。這種方法依賴于使用當(dāng)前部署的模型去“播種”一個新模型。隨著新數(shù)據(jù)的產(chǎn)生，模型參數(shù)將使用新的訓(xùn)練數(shù)據(jù)進(jìn)行更新。
結(jié)論
一般情況下，將模型部署到生產(chǎn)環(huán)境時，機(jī)器學(xué)習(xí)模型的預(yù)測性能往往都會下降。因此，工程師必須通過設(shè)置特定于ML的監(jiān)視解決方案和工作流來啟用模型重新訓(xùn)練，從而為性能下降做好準(zhǔn)備。雖然重新訓(xùn)練的頻率因具體問題而異，但ML工程師可以從簡單的策略開始，隨著新數(shù)據(jù)的到來，該策略會定期對模型進(jìn)行重新訓(xùn)練，并發(fā)展為對模型漂移進(jìn)行量化和做出反應(yīng)的更復(fù)雜的過程。
