高效的機(jī)器學(xué)習(xí)模型需要高質(zhì)量的數(shù)據(jù)。訓(xùn)練你的機(jī)器學(xué)習(xí)模型并不是過程中的單個(gè)有限階段。即使將其部署到生產(chǎn)環(huán)境中，也可能需要穩(wěn)定的新訓(xùn)練數(shù)據(jù)流來確保模型隨時(shí)間推移的預(yù)測(cè)準(zhǔn)確性。

畢竟，訓(xùn)練數(shù)據(jù)會(huì)顯式地調(diào)用數(shù)據(jù)集中的屬性，這些屬性代表外部世界中不斷變化的基本事實(shí)。如果不進(jìn)行周期性的重新訓(xùn)練，隨著現(xiàn)實(shí)世界變量的演變，模型的準(zhǔn)確性自然會(huì)隨時(shí)間下降。

在本文中，我們將討論為什么不管你的初始訓(xùn)練數(shù)據(jù)過程多么嚴(yán)格，繼續(xù)訓(xùn)練你的機(jī)器學(xué)習(xí)模型都是至關(guān)重要的。我們還將討論再訓(xùn)練的方法以及每種方法的優(yōu)點(diǎn)。

最后，我們將介紹如何在任何機(jī)器學(xué)習(xí)項(xiàng)目開始時(shí)預(yù)見對(duì)后續(xù)更新的需求。通過從一開始就建立再訓(xùn)練流程，幫你設(shè)計(jì)一個(gè)可持續(xù)的預(yù)測(cè)模型。

數(shù)據(jù)漂移與再訓(xùn)練需求

為什么大多數(shù)機(jī)器學(xué)習(xí)模型都需要更新才能保持準(zhǔn)確性？答案在于訓(xùn)練數(shù)據(jù)的性質(zhì)以及它如何告知機(jī)器學(xué)習(xí)模型的預(yù)測(cè)功能。

訓(xùn)練數(shù)據(jù)是一個(gè)靜態(tài)數(shù)據(jù)集，機(jī)器學(xué)習(xí)模型可從該數(shù)據(jù)集中推斷出模式和關(guān)系，并形成對(duì)未來的預(yù)測(cè)。

隨著現(xiàn)實(shí)世界條件的變化，訓(xùn)練數(shù)據(jù)的基本事實(shí)方面表示可能會(huì)不太準(zhǔn)確。想象一下用于預(yù)測(cè)50個(gè)大型都會(huì)區(qū)租金成本的機(jī)器學(xué)習(xí)模型。從2000年到2019年的訓(xùn)練數(shù)據(jù)可能會(huì)以驚人的準(zhǔn)確性預(yù)測(cè)2020年的租金價(jià)格。在預(yù)測(cè)2050年的租金價(jià)格時(shí)，這種方法可能會(huì)不太有效，因?yàn)榉康禺a(chǎn)市場(chǎng)的基本性質(zhì)可能在未來幾十年內(nèi)發(fā)生變化。

應(yīng)用自然語言處理（NLP）來訓(xùn)練聊天機(jī)器人提供了數(shù)據(jù)漂移的另一個(gè)有用的例子。我們使用語言的方式正在不斷演變，因此必須更新用于聊天機(jī)器人的訓(xùn)練數(shù)據(jù)的語義分析，來反映當(dāng)前的語言。想象一下，嘗試使用1980年代的培訓(xùn)數(shù)據(jù)來訓(xùn)練聊天機(jī)器人與現(xiàn)代消費(fèi)者進(jìn)行互動(dòng)。在40年中，語言可能會(huì)發(fā)生重大變化，這迫使人們需要更新訓(xùn)練數(shù)據(jù)。

這一現(xiàn)象已經(jīng)有了多種描述方法，包括數(shù)據(jù)漂移、概念漂移和模型衰減。不管你怎么稱呼它，它都代表了機(jī)器學(xué)習(xí)的硬道理：在未來的某個(gè)時(shí)候，你的訓(xùn)練數(shù)據(jù)將不再為準(zhǔn)確的預(yù)測(cè)提供基礎(chǔ)。

如何應(yīng)對(duì)這個(gè)不可避免的挑戰(zhàn)呢？答案是定期使用新的或擴(kuò)展的數(shù)據(jù)重新訓(xùn)練你的模型。實(shí)際上，訓(xùn)練你的模型是一個(gè)持續(xù)的過程，特別是在質(zhì)量要求很高的情況下。

你應(yīng)該如何更新你的機(jī)器學(xué)習(xí)模型？簡(jiǎn)單來說，你有兩個(gè)選擇：使用更新的輸入手動(dòng)重新訓(xùn)練模型，或構(gòu)建一個(gè)旨在從新數(shù)據(jù)中不斷學(xué)習(xí)的模型。

手動(dòng)模型重新訓(xùn)練方法

手動(dòng)更新機(jī)器學(xué)習(xí)模型的方法本質(zhì)上是復(fù)制你的初始訓(xùn)練數(shù)據(jù)過程，但要使用一組更新的數(shù)據(jù)輸入。在這種情況下，你可以決定如何以及何時(shí)向算法提供新數(shù)據(jù)。

此選項(xiàng)的可行性取決于你定期獲取和準(zhǔn)備新訓(xùn)練數(shù)據(jù)的能力。你可以隨時(shí)監(jiān)控模型的性能，確定何時(shí)需要更新。如果模型的準(zhǔn)確性明顯下降，則可能需要對(duì)更新的數(shù)據(jù)進(jìn)行重新訓(xùn)練。

這種方法的優(yōu)點(diǎn)之一是修修補(bǔ)補(bǔ)通?？梢詭碚嬷埔姾蛣?chuàng)新。如果密切監(jiān)視模型并找出缺點(diǎn)，你可能會(huì)發(fā)現(xiàn)包含額外數(shù)據(jù)或以更基本的方式修改算法的價(jià)值。

模型訓(xùn)練的持續(xù)學(xué)習(xí)方法

持續(xù)學(xué)習(xí)模型通常會(huì)從部署了數(shù)據(jù)的生產(chǎn)環(huán)境中合并新的數(shù)據(jù)流。

消費(fèi)者每天都會(huì)參與持續(xù)學(xué)習(xí)的機(jī)器學(xué)習(xí)模型。以音樂流媒體平臺(tái)Spotify為例，該平臺(tái)使用協(xié)作過濾功能，根據(jù)具有相似愛好的其他用戶的偏好向用戶提供推薦，來創(chuàng)造價(jià)值和競(jìng)爭(zhēng)優(yōu)勢(shì)。

當(dāng)Spotify用戶收聽音樂時(shí)，與他們的選擇有關(guān)的數(shù)據(jù)會(huì)反饋到公司的預(yù)測(cè)算法中。由此產(chǎn)生的反饋循環(huán)完善了該應(yīng)用為其用戶提供的推薦，并允許高級(jí)個(gè)性化設(shè)置，例如機(jī)器生成的個(gè)性化播放列表。Netflix等其他領(lǐng)先的消費(fèi)媒體服務(wù)提供商也使用類似的持續(xù)學(xué)習(xí)系統(tǒng)。

如你所料，構(gòu)建這些系統(tǒng)所需的技術(shù)專業(yè)知識(shí)和資源對(duì)于許多組織來說根本無法滿足。此外，你需要穩(wěn)定的數(shù)據(jù)流來進(jìn)行自動(dòng)集成。在持續(xù)學(xué)習(xí)模型中，人為干預(yù)是可能的，但它代表了一個(gè)真正的瓶頸。例如，Spotify在將其數(shù)百萬用戶生成的數(shù)據(jù)反饋回其算法之前，不需要對(duì)其進(jìn)行清理或格式化。

無論是手動(dòng)更新還是持續(xù)學(xué)習(xí)似乎都是更有效（可行）的選擇，你需要從戰(zhàn)略上考慮用于生成新數(shù)據(jù)來進(jìn)行再培訓(xùn)的勞動(dòng)力和技術(shù)。如果你打算在可預(yù)見的將來使用你的模型，則需要合適的資源來保持該模型最新。

預(yù)測(cè)進(jìn)化：選擇團(tuán)隊(duì)

創(chuàng)建訓(xùn)練數(shù)據(jù)需要人員、流程和工具的戰(zhàn)略組合。要解決收集、清理和標(biāo)記數(shù)據(jù)的模糊性，你需要一個(gè)高效的技術(shù)人員團(tuán)隊(duì)，其中包括熟練的技術(shù)人員和先進(jìn)的技術(shù)。

許多組織無法管理或擴(kuò)展內(nèi)部團(tuán)隊(duì)來準(zhǔn)備訓(xùn)練數(shù)據(jù)，因此他們尋求利用人類智能的替代方法。眾包勞動(dòng)力是一種常見選擇，它使你可以在短時(shí)間內(nèi)找到數(shù)百名匿名工人。

然而，匿名眾包帶來了隱性成本，包括與員工的溝通不暢，這可能導(dǎo)致工作質(zhì)量低下。而且，如果在開發(fā)初期訓(xùn)練數(shù)據(jù)集時(shí)這些缺點(diǎn)很明顯，那么當(dāng)你嘗試重新訓(xùn)練和更新模型時(shí)，這些缺點(diǎn)將讓人特別沮喪。

在一群匿名的眾包工人的情況下，幾乎不可能進(jìn)行監(jiān)督或轉(zhuǎn)移機(jī)構(gòu)記憶。每次開發(fā)新的訓(xùn)練數(shù)據(jù)時(shí)，都有發(fā)現(xiàn)新的不一致和性能問題的風(fēng)險(xiǎn)。

或許你也可以選擇另一種方式，將這個(gè)問題外包給靠譜的、專業(yè)解決這種問題的企業(yè)，會(huì)更有保障。