一旦部署到生产环节后，我们就想对用户显示模型的预测结果。有多少用户会使用这一模型进行预测？在为模型打分时，提供特征数据的速度要有多快？比如，欺诈侦测中，如果特征信息每24小时产生一次，那么，从事件发生到诈骗侦测模型检测到此事件之间，会存在严重滞后。这就是我们需要解决的一些可扩展性和性能方面的问题。

就一个应用程序来说，最理想的方式是通过网页服务向用户展示结果，方式是通过模型实时得分或是以线下批处理过程展示评分结果。或者是，模型需要支持一个商业过程，我们需要把模型的结果放在一个为决策者生成报告并遵照该这些结果予以行事的地方。无论是那种情况，如果没有模型注册表，想要知道哪里可以找到并使用当前模型的结果是很困难的。

另一个应用实例是想要搞清楚模型如何背离实时数据运行，以考察模型是否变得陈旧，或者确定一个新开发的模型性能是否超过旧模型。一个简单的例子就是用回归模型来对比预期值和实际值。如果我们没有监测到模型结果随时间变化，那么，我们可能是在根据不再适用于当前情势的历史数据在做决策。

　　结论

　　这篇文章中，我们遍历了模型周期，讨论了对实验室和工厂的需要，意在降低部署那些可能影响商业决策（并且还可能带来高成本）坏模型带来的风险。另外，注册表也提供了组织中模型的透明性和可发现性。这有利于通过呈现组织使用的现有技术，来研发新模型，解决相似问题，也有利于现有模型维护或通过澄清模型当前版本、目前相关资产情况等来提升模型。

　　在 SVDS ，我们正在研发一个架构，它能支持模型管理，把不同模型版本登入注册表，并管理如何将这些模型版本部署到一个执行引擎中。

　　原文地址：

　　本文为机器之心编译，转载请联系本公众号获得授权。

　　?------------------------------------------------

加入机器之心（全职记者/实习生）：[email protected]

投稿或寻求报道：[email protected]

广告&商务合作：[email protected]