本文轉自雷鋒網，如需轉載請至雷鋒網官網申請授權。

當我大學畢業后開始第一份工作時，我自認為對機器學習了解不少。我曾在 Pinterest 和可汗學院（Khan Academy）有過兩次實習，工作內容是建立機器學習系統。在伯克利大學的最后一年，我展開了計算機視覺深度學習的研究，并在 Caffe 上工作，這是最早流行的深度學習庫之一。畢業后，我加入了一家名為“ Cruise ”的小型創業公司，Cruise專門生產自動駕駛汽車。現在我在 Aquarium，幫助多家公司部署深度學習模型來解決重要的社會問題。

這些年來，我建立了相當酷的深度學習和計算機視覺堆棧。與我在伯克利做研究的時候相比，現在有更多的人在生產應用程序中使用深度學習。現在他們面臨的許多問題，與我2016年在 Cruise 所面臨的問題是一樣的。我有很多在生產中進行深度學習的經驗教訓想與你們分享，希望大家可以不必通過艱難的方式來學習它們。

圖注：作者團隊開發第一個部署在汽車上的機器學習模型

1 將ML模型部署到自動駕駛車上的故事

首先，讓我談談 Cruise 公司有史以來第一個部署在汽車上的ML模型。在我們開發模型的過程中，工作流程感覺很像我在研究時期所習慣的那樣。我們在開源數據上訓練開源模型，將之集成到公司產品軟件堆棧中，并部署到汽車上。經過幾個星期的工作，我們合并的最終 PR， 在汽車上運行模型。

“任務完成了！”我心想，我們該繼續撲滅下一場大火。我不知道的是，真正的工作才剛剛開始。

模型投入生產運行，我們的 QA 團隊開始注意到它的性能方面的問題。但是我們還有其他的模型要建立，還有其他任務要做，所以我們沒有立即去解決這些問題。3個月后，當我們研究這些問題時，我們發現訓練和驗證腳本已經全部崩潰，因為自我們第一次部署以來，代碼庫已經發生了變化。

經過一個星期的修復，我們查看了過去幾個月的故障，意識到在模型生產運行中觀察到的許多問題不能通過修改模型代碼輕松解決，我們需要去收集和標記來自我們公司車輛的新數據，而不是依靠開放源碼的數據。這意味著我們需要建立一個標簽流程，包括流程所需要的所有工具、操作和基礎設施。

又過了3個月，我們運行了一個新的模型，這個模型是根據我們從車上隨機選取的數據進行訓練的。然后，用我們自己的工具進行標記。但是當我們開始解決簡單的問題時，我們不得不對哪些變化可能產生結果變得更加敏銳。

大約90% 的問題是通過對艱難或罕見的場景進行仔細的數據整理來解決的，而不是通過深度模型架構變更或超參數調整。例如，我們發現模型在雨天的表現很差（在舊金山很罕見），所以我們標記了更多雨天的數據，在新的數據上重新訓練模型，結果模型的表現得到了改善。同樣，我們發現該模型在綠色視錐上的性能較差（與橙色視錐相比較少見），因此我們收集了綠色視錐的數據，經過了同樣的過程，模型的性能得到了改善。

我們需要建立一個可以快速識別和解決這類問題的流程。

花費數個星期，這個模型的 1.0 版本組裝好了，又用了6個月，新推出一個改進版本模型。隨著我們在一些方面（更好地標記基礎設施、云數據處理、培訓基礎設施、部署監控）的工作越來越多，大約每月到每周都能重新訓練和重新部署模型。

當我們從頭開始建立更多的模型管道，并努力改善它們，我們開始看到一些共同的主題。將我們所學到的知識應用到新的管道中，更快更省力地運行更好的型號變得容易了。

2 保持迭代學習

圖注：許多不同的自動駕駛深度學習團隊，其模型管道的迭代周期都相當相似。從上到下: Waymo，Cruise 和 Tesla。

我曾經認為，機器學習主要是模型。實際上，工業生產中的機器學習主要是管道。成功的最佳預測因素之一是在模型管道上有效迭代的能力。這不僅僅意味著快速迭代，還意味著智能迭代，第二部分很關鍵，否則你的管道很快就會產生糟糕的模型。

大多數傳統軟件都強調快速迭代和敏捷交付過程，因為，產品需求是未知的，必須通過適應來發現，所以與其在前期用不穩定的假設做詳盡的規劃，不如快速交付一個MVP并進行迭代。

正如傳統軟件需求是復雜的一樣，機器學習系統必須處理的數據輸入領域確實很龐大。與正常的軟件開發不同，機器學習模型的質量取決于它在代碼中的實現，以及代碼所依賴的數據。這種對數據的依賴意味著機器學習模型可以通過數據集構建/管理來“探索”輸入領域，允許它理解任務要求，并隨著時間的推移適應它，而不必修改代碼。

為了利用這個特性，機器學習需要一個連續學習的概念，這個概念強調對數據和代碼的迭代。機器學習團隊必須：

• 發現數據或模型性能中的問題
• 診斷問題發生的原因
• 改變數據或模型代碼以解決這些問題
• 驗證模型在重新訓練之后變得更好
• 部署新模型并重復

團隊應該嘗試至少每個月都要經歷這個周期。如果你表現好，也許每周都要進行。

大型公司可以在不到一天的時間內完成模型部署周期，但是對于大多數團隊來說，快速而自動地構建基礎設施是非常困難的。如果更新模型的頻率低于這個頻率，就可能導致代碼腐化（模型管道由于代碼庫的更改而中斷）或數據域轉移（生產中的模型不能泛化到數據隨時間的變化）。

大型公司可以在一天之內完成模型的部署周期，但是對于大多數團隊來說，快速而自動地構建基礎設施是非常困難的。更新模型的頻率如果低于這個頻率，就會導致代碼腐化（模型管道由于代碼庫的更改而中斷）或數據域轉移（生產中的模型不能泛化到數據隨時間的變化）。

然而，如果處理得當，團隊可以進入一個良好的節奏，他們將改進后的模型部署到生產環境中。

3 建立反饋回路

校準模型的不確定性是一個誘人的研究領域，模型可以標記它認為可能失敗的地方。

對模型進行有效迭代的一個關鍵部分是集中精力解決最具影響力的問題。要改進一個模型，你需要知道它有什么問題，并且能夠根據產品/業務的優先級對問題進行分類。建立反饋回路的方法有很多，但是首先要發現和分類錯誤。

利用特定領域的反饋回路。

如果有的話，這可能是獲得模型反饋的非常強大和有效的方法。例如，預測任務可以通過對實際發生的歷史數據進行訓練來“免費 ”獲得標簽數據，使他們能夠不斷地輸入大量的新數據，并相當自動地適應新情況。

設置一個工作流程，讓人可以審查你的模型的輸出，并在發生錯誤時進行標記。

當人們很容易通過許多模型推斷捕獲錯誤時，這種方法尤其適用。這種情況最常見的發生方式是當客戶注意到模型輸出中的錯誤并向機器學習團隊投訴。這是不可低估的，因為這個渠道可以讓您直接將客戶反饋納入開發周期！一個團隊可以讓人類雙重檢查客戶可能錯過的模型輸出：想象一下一個操作人員看著一個機器人在傳送帶上對包進行分類，當他們發現一個錯誤發生時，就點擊一個按鈕。

設置一個工作流程，讓人可以審查你的模型的輸出，并在發生錯誤時進行標記。當人類審查很容易捕捉到大量模型推論中的錯誤時，這就特別合適。最常見的方式是當客戶注意到模型輸出中的錯誤并向ML團隊投訴時。這一點不容小覷，因為這個渠道可以讓你直接將客戶的反饋納入開發周期中 一個團隊可以讓人類仔細檢查客戶可能錯過的模型輸出：想想一個操作人員看著機器人在傳送帶上分揀包裹，每當他們發現有錯誤發生時就點擊一個按鈕。

當模型運行的頻率太高，以至于人們無法進行檢查時，可以考慮設置自動復查。

當很容易針對模型輸出編寫“健全性檢查”時，這尤其有用。例如，每當激光雷達目標檢測器和二維圖像目標檢測器不一致時，或者幀到幀檢測器與時間跟蹤系統不一致時，標記。當它工作時，它提供了許多有用的反饋，告訴我們哪里出現了故障情況。當它不起作用時，它只是暴露了你的檢查系統中的錯誤，或者漏掉了所有系統出錯的情況，這是非常低風險高回報的。

最通用（但困難）的解決方案是分析它所運行的數據的模型不確定性。

一個簡單的例子是查看模型在生產中產生低置信度輸出的例子。這可以表現出模型確實不確定的地方，但不是100% 精確。有時候，模型可能是自信地錯誤的。有時模型是不確定的，因為缺乏可用的信息進行良好的推理（例如，人們很難理解的有噪聲的輸入數據）。有一些模型可以解決這些問題，但這是一個活躍的研究領域。

最后，可以利用模型對訓練集的反饋。

例如，檢查模型與其訓練/驗證數據集（即高損失的例子）的不一致表明高可信度失敗或標記錯誤。神經網絡嵌入分析可以提供一種理解訓練/驗證數據集中故障模式模式的方法，并且可以發現訓練數據集和生產數據集中原始數據分布的差異。

圖注：大多數人的時間很容易從一個典型的再訓練周期中移除。即使這樣做的代價是降低機器時間的效率，它也消除了許多手工操作的痛苦。

加快迭代的主要內容是減少完成一個迭代周期所需的工作量。然而，總是有辦法讓事情變得更簡單，所以你必須優先考慮要改進什么。我喜歡用兩種方式來思考努力：時鐘時間和人類時間。

時鐘時間指的是運行某些計算任務所需的時間，如數據的 ETL、訓練模型、運行推理、計算指標等。人工時間指的是人工必須主動介入以通過管道運行的時間，比如手動檢查結果、運行命令或在管道中間觸發腳本。

例如，多個腳本必須通過手動在步驟之間移動文件按順序手動運行，這種情況非常常見，但是很浪費。一些紙巾背面的數學: 如果一個機器學習工程師每小時花費90美元，手工運行腳本每周浪費2個小時，那么每個人每年加起來就是9360美元！

將多個腳本和人工中斷結合成一個全自動腳本，可以更快、更容易地運行一個模型管道循環，節省大量資金，并且使您的機器學習工程師不那么古怪。

相比之下，時鐘時間通常需要“合理”（例如，可在一夜之間完成）。唯一的例外是機器學習工程師正在進行大量的實驗，或者存在極端的成本/縮放約束。這是因為時鐘時間通常與數據規模和模型復雜性成正比。當從本地處理轉移到分布式云處理時，時鐘時間會顯著減少。在此之后，云中的水平擴展往往可以解決大多數團隊的大多數問題，直到問題的規模擴大。

不幸的是，將某些任務完全自動化是不可能的。幾乎所有的生產機器學習應用程序都是監督式學習任務，并且大部分依賴于一定數量的人機交互來告訴模型它應該做什么。在某些領域，人機交互是免費的（例如，社交媒體推薦用例或其他有大量直接用戶反饋的應用程序）。在其他情況下，人類的時間更有限或更昂貴，例如訓練有素的放射科醫師為訓練數據“標記”CT 掃描。

無論哪種方式，將改進模型所需的人工時間以及其他成本最小化都很重要。雖然早期的團隊可能依賴機器學習工程師來管理數據集，但是讓一個沒有機器學習知識的操作用戶或者領域專家來承擔數據管理的繁重工作通常更經濟（或者對于放射學家來說，是必要的）。在這一點上，使用良好的軟件工具建立一個操作過程來標記、檢查、改進和版本控制數據集就變得非常重要。

5 鼓勵ML工程師健身

圖注：ML工程師在舉重時，也在提升他們的模型學習的權重

構建足夠的工具來支持一個新的領域或一個新的用戶組可能需要花費大量的時間和精力，但是如果做得好，結果將是非常值得的。在 Cruise 公司，我的一位工程師特別聰明（有人會說他很懶）。

這個工程師建立了一個迭代循環，在這個循環中，操作反饋和元數據查詢的組合將從模型性能較差的地方抽取數據進行標記。然后，一個離岸作業團隊將標記數據，并將其添加到新版本的訓練數據集中。此后，工程師建立基礎設施，允許他們在電腦上運行一個腳本，并啟動一系列云任務，自動對新添加的數據進行再訓練和驗證一個簡單的模型。

每周，他們都會運行 retrain 腳本。然后，在模型訓練和驗證自己的時候，他們去了健身房。經過幾個小時的健身和晚餐后，他們會回來檢查結果。無獨有偶，新的和改進的數據將導致模型的改進，經過快速的雙重檢查確保一切都有意義，然后他們將新模型運送到生產中，汽車的駕駛性能將得到改善。然后，他們花了一周的時間來改進基礎設施，實驗新的模型架構，并建立新的模型管道。這名工程師不僅在本季度末獲得了晉升，而且狀態很好。

6 結語

總結一下: 在研究和原型開發階段，重點是建立和發布一個模型。但是，隨著一個系統進入生產階段，核心任務是建立一個系統，這個系統能夠以最小的努力定期發布改進的模型。這方面你做得越好，你可以建造的模型就越多！

為此，我們需要關注以下方面:

• 以規律的節奏運行模型管道，并專注于比以前更好的運輸模型。每周或更短的時間內獲得一個新的改進型號投入生產！
• 建立一個良好的從模型輸出到開發過程的反饋回路。找出模型在哪些示例上做得不好，并向您的培訓數據集中添加更多的示例。
• 自動化管道中特別繁重的任務，并建立一個團隊結構，使您的團隊成員能夠專注于他們的專業領域。特斯拉的Andrej Karpathy稱理想的最終狀態為“假期行動”。我建議，建立一個工作流程，讓你的機器學習工程師去健身房，讓你的機器學習管道來完成繁重的工作！

最后，需要強調一下，在我的經驗中，絕大多數關于模型性能的問題可以用數據來解決，但是有些問題只能通過修改模型代碼來解決。

這些變化往往是非常特殊的模型架構在手頭，例如，在圖像對象檢測器工作了若干年后，我花了太多的時間擔心最佳先前的盒子分配為某些方位比和提高特征映射對小對象的分辨率。

然而，隨著Transformer顯示出成為許多不同深度學習任務的萬能模型架構類型的希望，我懷疑這些技巧中的更多將變得不那么相關，機器學習發展的重點將進一步轉向改進數據集。