[发明专利]机器学习模型预测在线服务的部署方法和装置

说明书

本发明提供了一种机器学习模型预测在线服务的部署方法和装置，涉及计算机应用技术领域，该方法包括：首先利用特征处理的算子将预先获取的离线数据进行特征处理，生成模型训练集，其中特征处理的算子包括第一在线计算接口和第二在线计算接口；然后利用模型训练集对机器学习算法的算子进行训练，生成训练好的机器学习模型；再根据特征处理的算子和训练好的机器学习模型，确定算子链路；最后基于算子链路中的第一在线计算接口和第二在线计算接口，生成模型在线服务，该模型在线服务用于处理实时请求的数据，生成模型计算结果。通过上述方法可以代替人工转换代码，提高了模型开发的效率，并且降低了引入错误的可能性以及在线模型部署的成本。

技术领域

本发明涉及计算机应用技术领域，尤其是涉及一种机器学习模型预测在线服务的部署方法和装置。

背景技术

随着海量数据的出现，人工智能技术得到了迅速发展，其中，机器学习技术普遍被应用于从海量的数据记录(例如，金融数据、互联网数据等)中挖掘出有益的价值，越来越多机器学习模型以在线服务的形式被部署。在一个标准的机器学习开发流程中，原始数据经过特征加工形成特征宽表，再由特征宽表进行模型训练得到机器学习模型。在使用该类模型时，需要将训练好的模型部署为一个模型预测服务接口，请求数据经过和开发流程中相同的特征加工逻辑形成特征宽表，再调用模型预测服务接口得到预测结果。

在模型构建过程中，多数情况下会采用python或R语言进行模型开发工作，再将特征计算逻辑转化为java语言后进行部署。由于模型开发和模型部署时，特征宽表的生成使用了不同的语言，不可避免存在代码翻译的过程，目前常用的解决方法是使用人工进行代码转换，不但费时费力而且存在引入bug的可能，增加了使用人工智能AI(ArtificialIntelligence)模型技术解决实际业务问题的成本。

发明内容

本发明的目的在于提供一种机器学习模型预测在线服务的部署方法和装置，以缓解现有技术中存在的人工代码转换费时费力、开发效率低的技术问题。

为了实现上述目的，本发明实施例采用的技术方案如下：

第一方面，本发明实施例提供了一种机器学习模型预测在线服务的部署方法，包括：利用特征处理的算子将预先获取的离线数据进行特征处理，生成模型训练集；上述特征处理的算子包括第一在线计算接口和第二在线计算接口；利用上述模型训练集对机器学习算法的算子进行训练，生成训练好的机器学习模型；上述训练好的机器学习模型的算子包括第一在线计算接口；根据所述特征处理的算子和所述训练好的机器学习模型，确定算子链路；所述算子链路包括所述特征处理的算子和所述训练好的机器学习模型的算子；基于所述算子链路中的所述第一在线计算接口和所述第二在线计算接口，生成模型在线服务；所述模型在线服务用于处理实时请求的数据，生成模型计算结果。

在一些可能的实施方式中，在将预先获取的离线数据进行特征处理，生成模型训练集的步骤之前，还包括：确定特征处理的算子和机器学习算法的算子；获取建模场景的离线数据，确定离线建模训练集。

在一些可能的实施方式中，上述特征处理的算子包括第一算子和第二算子，上述机器学习算法的算子包括第一算子；上述第一算子包括第一在线计算接口和第一离线计算接口，上述第二算子包括第二在线计算接口和第二离线计算接口。

在一些可能的实施方式中，上述第一算子在进行离线计算时，生成配置文件，上述配置文件用于计算上述第一算子的计算逻辑。

在一些可能的实施方式中，上述特征处理包括：数据清洗、数据填充和特征衍生中的一种或多种；如果上述特征处理为上述数据清洗或上述数据填充，上述特征处理的算子为第二算子；如果上述特征处理为特征衍生，上述特征处理的算子为第一算子，或者第一算子和第二算子。