将管道生产化就绪：医疗领域的挑战与经验教训
软件工程
2025-09-10 v3 人工智能
机器学习
摘要
将机器学习训练管道部署到生产环境需要良好的软件工程实践。不幸的是，典型的数据科学工作流程常导致代码缺乏关键软件质量属性。本经验报告在SPIRA项目中进行调查，该项目旨在创建用于预测性肺功能不足的机器学习启用系统(MLES)。本文概述了MLES的体系结构，然后比较了其连续训练子系统的三个版本：从 proof of concept 的 Big Ball of Mud(v1)，到基于设计模式的模块化单体体(v2)，到基于测试驱动的微服务(v3)。每个版本都提高了其整体可扩展性、可维护性、鲁棒性和弹性。本文分享了在此过程中所面临的挑战与所学经验，为寻求生产化自身管道的研究者和实践者提供了见解。
引用
@article{arxiv.2506.06946,
title = {Making a Pipeline Production-Ready: Challenges and Lessons Learned in the Healthcare Domain},
author = {Daniel Angelo Esteves Lawand and Lucas Quaresma Medina Lam and Roberto Oliveira Bolgheroni and Renato Cordeiro Ferreira and Alfredo Goldman and Marcelo Finger},
journal= {arXiv preprint arXiv:2506.06946},
year = {2025}
}
备注
8 pages, 3 figures (2 diagrams, 2 code listings), accepted to the workshop SADIS 2025