[发明专利]一种基于接口的机器学习模型发布方法和系统

说明书

本发明提出一种基于接口的机器学习模型发布方法和系统，其方法技术方案包括模型训练步骤，在一机器学习平台上训练完成一机器学习模型；离线部署步骤，在所述机器学习平台上构建适用于离线数据的离线应用程序接口；实时部署步骤，在所述机器学习平台上构建适用于实时数据的实时应用程序接口；接口调用步骤，在一生产环境中根据数据的类型对所述离线应用程序接口或所述实时应用程序接口进行调用。本发明解决了现有技术方案在进行模型部署时存在较多不足和障碍的问题。

技术领域

本发明属于机器学习领域，尤其涉及一种基于接口的机器学习模型发布方法和系统。

背景技术

工业机器学习系统是庞大数据基础架构的一部分，当我们追求最好的机器学习算法时，与现实世界机器学习系统的开发，部署和维护相关的挑战不容忽视。现实世界中的ML(Machine Learning)系统中只有一小部分由ML代码组成。尽管ML代码决定了所有决策，但整个软件系统必须为解决最终用户的问题而开发。提供决策的微小ML部分很重要，但是将训练好的ML模型部署到生产环境并使用起来，也是系统的重要组件。

在现有技术方案中，主要采取以PMML文件部署的方式：将模型导出为PMML文件的格式，可跨平台使用。但此方式在部署过程中，应该仔细检查PMML文件本身，包括变量名等；异常字符的变量名，模型生成PMML时容易出现错误；模型类型支持有限；支持不了所有的数据预处理和后处理操作。虽然PMML已经支持了几乎所有的标准数据处理方式，但是对用户一些自定义操作，还缺乏有效的支持，很难放到PMML中；PMML是一个松散的规范标准，有的厂商生成的PMML有可能不太符合标准定义的Schema，并且PMML规范允许厂商添加自己的扩展，这些都对使用这些模型造成了一定障碍。

发明内容

本申请实施例提供了一种基于接口的机器学习模型发布方法和系统，以至少解决现有技术方案在进行模型部署时存在较多不足和障碍的问题。

第一方面，本申请实施例提供了一种基于接口的机器学习模型发布方法，包括：模型训练步骤，在一机器学习平台上训练完成一机器学习模型；离线部署步骤，在所述机器学习平台上构建适用于离线数据的离线应用程序接口；实时部署步骤，在所述机器学习平台上构建适用于实时数据的实时应用程序接口；接口调用步骤，在一生产环境中根据数据的类型通过所述离线应用程序接口或所述实时应用程序接口对所述机器学习模型进行调用。

优选的，所述离线部署步骤包括：在所述机器学习平台中生成一预测脚本，生成所述预测脚本对应的一离线URL地址，并构建所述离线URL接口对应的所述离线应用程序接口服务。

优选的，所述实时部署步骤包括：在所述机器学习平台中构建一预测函数，生成所述预测脚本对应的一实时URL地址，并构建所述实时URL接口对应的所述实时应用程序接口服务。

优选的，所述离线部署步骤还包括：对所述预测脚本通过DAG平台进行定时运行。

优选的，所述离线部署步骤还包括：所述离线应用程序接口服务包括根据一预设起止时间查询预测结果。

第二方面，本申请实施例提供了一种基于接口的机器学习模型发布系统，适用于上述一种基于接口的机器学习模型发布方法，包括：模型训练单元，在一机器学习平台上训练完成一机器学习模型；离线部署单元，在所述机器学习平台上构建适用于离线数据的离线应用程序接口；实时部署单元，在所述机器学习平台上构建适用于实时数据的实时应用程序接口；接口调用单元，在一生产环境中根据数据的类型通过所述离线应用程序接口或所述实时应用程序接口对所述机器学习模型进行调用。

在其中一些实施例中，所述离线部署单元包括：在所述机器学习平台中生成一预测脚本，生成所述预测脚本对应的一离线URL地址，并构建所述离线URL接口对应的所述离线应用程序接口服务。