持续学习即服务（CLaaS）：按需高效适配预测模型
机器学习
2022-07-22 v2 人工智能
分布式、并行与集群计算
摘要
如今，预测性机器学习模型常以无状态且昂贵的方式更新。对于希望构建基于机器学习的应用与系统的公司而言，两大未来趋势是实时推理与持续更新。遗憾的是，这两大趋势都需要成熟的基础设施，而本地部署难以且昂贵地实现。本文定义了一种称为持续学习即服务（Continual Learning-as-a-Service, CLaaS）的新型软件服务与模型交付基础设施以解决这些问题。具体而言，它融合了持续机器学习与持续集成技术。它以高效、有状态且易用的方式，为数据科学家提供模型更新与验证工具，而无需本地部署方案。最后，该 CL 模型服务易于封装于任何机器学习基础设施或云系统中。本文给出了一个称为 Liquidbrain 的 CLaaS 实例的设计与实现，并在两个真实场景中进行评估。其一是使用 CORe50 数据集的机器人物体识别场景，其二是时尚领域中使用 DeepFashion-C 数据集的命名类别与属性预测。我们的初步结果表明了该持续学习模型服务的可用性与效率，以及该解决方案在解决真实用例中的有效性，无论计算发生于边缘-云连续体的何处。
引用
@article{arxiv.2206.06957,
title = {Continual-Learning-as-a-Service (CLaaS): On-Demand Efficient Adaptation of Predictive Models},
author = {Rudy Semola and Vincenzo Lomonaco and Davide Bacciu},
journal= {arXiv preprint arXiv:2206.06957},
year = {2022}
}