[发明专利]利用机器学习模型提供在线预测服务的方法及系统

说明书

提供了一种利用机器学习模型提供在线预测服务的方法及系统，所述方法包括：按照至少一个模型更新方案，基于持续获取的训练数据来不断更新至少一个机器学习模型组，其中，每个机器学习模型组包括按照对应的模型更新方案得到的至少一个候选机器学习模型；根据预定策略从所述至少一个机器学习模型组中将一个或多个候选机器学习模型选作用于提供在线预测服务的在线机器学习模型；在接收到关于针对预测数据提供预测结果的在线服务请求的情况下，提供由在线机器学习模型针对预测数据产生的预测结果。

技术领域

本发明总体说来涉及人工智能(AI)领域，更具体地讲，涉及一种利用机器学习模型提供在线预测服务方法及系统。

背景技术

随着海量数据的出现，AI技术迅速发展，而机器学习是AI发展到一定阶段的必然产物，其致力于通过计算的手段，从大量数据中挖掘有价值的潜在信息。

在机器学习领域，往往通过将经验数据提供给机器学习算法来训练机器学习模型以确定构成机器学习模型的理想参数，而训练好的机器学习模型可被应用于在面对新的预测数据时提供相应的预测结果。对于一套完整的AI开发及应用平台，不仅要包括数据采集、数据处理、特征抽取、模型训练等离线调研环节，也需要包括模型上线(即，模型提供在线预测服务)等环节。然而，现有的机器学习平台往往仅关注于离线调研，无法方便地将调研产生的模型或模型训练方案应用于在线服务环节。

实践中，很多实际的线上业务问题难以只靠一个固定模型来解决，而依靠人为操作来更新和替换模型需要耗费大量人力，无法实现自动化开发部署运维，并因此带来模型上线成本高、更新频率低、灵活性差等问题。

发明内容

本发明的示例性实施例提供了一种利用机器学习模型提供在线预测服务的方法，所述方法可以包括：按照至少一个模型更新方案，基于持续获取的训练数据来不断更新至少一个机器学习模型组，其中，每个机器学习模型组包括按照对应的模型更新方案得到的至少一个候选机器学习模型；根据预定策略从所述至少一个机器学习模型组中将一个或多个候选机器学习模型选作用于提供在线预测服务的在线机器学习模型；在接收到关于针对预测数据提供预测结果的在线服务请求的情况下，提供由在线机器学习模型针对预测数据产生的预测结果。

根据本发明的示例性实施例，其中，所述模型更新方案至少可以包括：数据记录获取步骤，获取数据记录；特征抽取步骤，对所述数据记录的属性字段执行处理以获取特征；模型训练步骤，基于由所述特征和数据记录的标记组成的训练样本，按照机器学习算法来训练模型。

根据本发明的示例性实施例，其中，所述预定策略可以是关于模型选取规则、模型更换时机和/或模型更换方式的策略。

根据本发明的示例性实施例，其中，所述模型选取规则可以用于限定如何基于模型效果和/或根据人为指定来确定准备提供在线预测服务的预备在线机器学习模型；并且/或者，所述模型更换时机可以用于限定如何根据预设时间和/或根据评估结果来确定由预备在线机器学习模型替代当前提供在线预测服务的当前在线机器学习模型的时间点；并且/或者，所述模型更换方式可以用于限定如何按照流量分配比例完成由预备在线机器学习模型替代当前在线机器学习模型的过程。

根据本发明的示例性实施例，其中，所述至少一个模型更新方案可以包括单个模型更新方案，其中，根据预定策略从所述至少一个机器学习模型组中将一个或多个候选机器学习模型选作用于提供在线预测服务的在线机器学习模型的步骤包括：按照预定策略，从单个机器学习模型组中将一个候选机器学习模型选作在线机器学习模型。

根据本发明的示例性实施例，其中，所述至少一个模型更新方案可以包括多模型更新方案，其中，根据预定策略从所述至少一个机器学习模型组中将一个或多个候选机器学习模型选作用于提供在线预测服务的在线机器学习模型的步骤包括：按照预定策略，分别从每个机器学习模型组中将一个候选机器学习模型选作在线机器学习模型；并且/或者，按照预定策略，从所有机器学习模型组中将多个候选机器学习模型选作在线机器学习模型。