面向机器学习的无服务器架构 operationalization：面向和谐系统代码预测的工业实施

本文提出了一种无服务器 MLOps 框架，通过事件驱动管道和托管服务编排完整的机器学习生命周期，从数据摄取、训练、部署、监控到重新训练。该架构对模型agnostic，支持通过标准化接口实现多样化推理模式，使其能够在没有基础设施开销的情况下快速适应。我们通过为和谐系统代码预测（HS 编码预测）实现了工业化应用，后者是一条合规关键任务，将短而非结构化的产品描述映射到 customs 权威机构在全球贸易中使用的标准代码。频繁的更新和模糊的描述使得分类具有挑战性，错误的预测会导致货物延误和财务损失。我们的解决方案使用自定义文本嵌入编码器和多种深度学习架构，其中 Text-CNN 在真实数据上实现了 98% 的准确率。除了准确率外，管道通过自动扩展确保在可变负载下实现可重复性、可审计性和 SLA 遵从。一个关键特性是自动 A/B 测试，使生产中的模型选择和安全推广成为可能。成本效益驱动模型选择；尽管 transformer 可能实现类似的准确率，但其长期运营成本显著更高。优先考虑确定性分类，以实现可预测的延迟和可解释性，尽管该架构仍然可扩展到 transformer 变体和基于 LLM 的推理。本文首先介绍深度学习架构及其仿真和模型比较，然后讨论通过无服务器架构实现的工业化，展示了自动化的 retraining、prediction 和 HS 编码验证。该工作提供了使用无服务器架构 operationalization 机器学习的可复制蓝图，使企业能够在优化性能和经济性的同时实现规模化。