机器学习系统部署流水线上的持续学习
机器学习
2022-12-07 v1 计算机视觉与模式识别
摘要
随着数字化的发展，越来越多的大型原始设备制造商（OEM）正在工厂的异常检测与质量检验等广泛应用中采用计算机视觉或自然语言处理。此类系统的部署正成为一个极其重要的课题。我们的工作从机器学习系统中自动化程度最低的部署技术（包含若干次更新迭代）出发，最终以自动化部署技术的比较收尾。其目的之一是从理论与实践两方面比较各类技术的优缺点，以便后来的采用者在实际用例实施时避免犯普遍性错误，从而为企业自身选择更优策略。另一方面，提升对机器学习系统部署评估框架的认识，以拥有更全面且有用的评估指标（如表2），而非仅关注单一因素（如公司成本）。这对产业界的决策者尤为重要。
引用
@article{arxiv.2212.02659,
title = {Continual learning on deployment pipelines for Machine Learning Systems},
author = {Qiang Li and Chongyu Zhang},
journal= {arXiv preprint arXiv:2212.02659},
year = {2022}
}
备注
36th Conference on Neural Information Processing Systems (NeurIPS 2022). Accepted by blind review at DMML Workshop https://sites.google.com/view/dmmlsys-neurips2022/accepted-papers