下载掌阅APP，畅读海量书库
立即打开
机器学习模型基本上是一组需要解锁以提供价值的软件功能。你不能只盯着模型，你需要 审问 它——问它一些问题。最简单的方法是提供一个直接的机制来查找预测（或报告模型的另一方面）。然而，最常见的情况是我们必须与更复杂的东西集成：无论模型具有什么目的，通常最好通过将模型与另一个系统集成来实现。将机器学习模型集成到应用程序中的工作将由产品和业务职能部门的员工指定，由机器学习工程师和软件工程师完成，并由质量分析师监督。关于这方面的更多细节，请参见第12章。
至于我们的在线购物网站y arnit.ai ，各行各业和世界各地的人都可以在这里找到最好的针织或钩编纱线，所有这些都是基于AI的推荐！作为一个示例，让我们研究一个向购物者推荐额外购买的模型。该模型可以获取用户的购物历史和当前购物车中的产品列表，以及其他的一些方面，如他们通常要求配送的国家、他们通常购买的价格范围等。该模型可以使用这些功能生成一个购物者可能会考虑购买的产品的排名列表。
为了向公司和用户提供价值，我们必须将该模型集成到网站中。我们需要决定在哪里利用模型进行查询以及如何处理查询结果。一个简单的答案也许是，当用户考虑结账时，在购物车下方的水平列表上显示一些结果。这看起来是一个合理的开始，为购物者提供一些实用性，也可能为YarnIt带来一些额外收入。
为了能够确定我们在集成的相关方面做得如何，系统应该将显示的内容记录在日志中，还要将用户之后采取的行动记录下来，即他们是否将显示的商品添加到购物车并最终购买它们。通过记录这些事件，集成将为我们的模型提供新的反馈，以便它能够训练自己的推荐质量并做出改进
。然而在这个阶段，我们会简单地验证整个流程的有效性：加载到服务系统中的模型、由Web服务器应用程序发出的查询、显示给用户的结果、被记录的预测、被存储以用于未来模型训练的日志。接下来是评估模型质量和性能的过程。