作为服务的机器学习规模化

李尔然, 陈 Eric, 杰里米·赫尔曼, 张普生, 王陆明
第三届预测应用和API国际会议论文集, PMLR 67:14-29, 2017.

摘要

机器学习作为一项服务 (MLaaS) 对于许多公司从大数据中获取商业智能至关重要。构建可扩展的 MLaaS 用于关键任务和实时应用是一个非常具有挑战性的问题。在本文中，我们介绍了为 Uber 构建的在全球范围内运行的可扩展 MLaaS。我们专注于几个可扩展性挑战。首先，如何为许多机器学习用例扩展特征计算。其次，如何使用全局数据构建准确的模型，并考虑各个城市或地区的特征。第三，如何实现可扩展的模型部署和实时服务，为多个数据中心中的数十万个模型提供服务。我们的技术解决方案是设计和实现可扩展的特征计算引擎和特征存储，一个框架用于将模型的层次结构作为单个逻辑实体进行管理和训练，以及一个自动化的单击部署系统和可扩展的实时服务。

引用本文

BibTeX
@InProceedings{pmlr-v67-li17a, title = {作为服务的机器学习规模化}, author = {李, 李尔然 and 陈, Eric and 赫尔曼, 杰里米 and 张, 普生 and 王, 陆明}, booktitle = {第三届预测应用和API国际会议论文集}, pages = {14--29}, year = {2017}, editor = {Hardgrove, Claire and Dorard, Louis and Thompson, Keiran and Douetteau, Florian}, volume = {67}, series = {机器学习研究论文集}, month = {11--12 Oct}, publisher = {PMLR}, pdf = {https://pmlr.com.cn/v67/li17a/li17a.pdf}, url = {https://pmlr.com.cn/v67/li17a.html}, abstract = {机器学习作为一项服务 (MLaaS) 对于许多公司从大数据中获取商业智能至关重要。构建可扩展的 MLaaS 用于关键任务和实时应用是一个非常具有挑战性的问题。在本文中，我们介绍了为 Uber 构建的在全球范围内运行的可扩展 MLaaS。我们专注于几个可扩展性挑战。首先，如何为许多机器学习用例扩展特征计算。其次，如何使用全局数据构建准确的模型，并考虑各个城市或地区的特征。第三，如何实现可扩展的模型部署和实时服务，为多个数据中心中的数十万个模型提供服务。我们的技术解决方案是设计和实现可扩展的特征计算引擎和特征存储，一个框架用于将模型的层次结构作为单个逻辑实体进行管理和训练，以及一个自动化的单击部署系统和可扩展的实时服务。} }
Endnote
%0 会议论文 %T 作为服务的机器学习规模化 %A 李尔然 %A 陈 Eric %A 杰里米·赫尔曼 %A 张普生 %A 王陆明 %B 第三届预测应用和API国际会议论文集 %C 机器学习研究论文集 %D 2017 %E Claire Hardgrove %E Louis Dorard %E Keiran Thompson %E Florian Douetteau %F pmlr-v67-li17a %I PMLR %P 14--29 %U https://pmlr.com.cn/v67/li17a.html %V 67 %X 机器学习作为一项服务 (MLaaS) 对于许多公司从大数据中获取商业智能至关重要。构建可扩展的 MLaaS 用于关键任务和实时应用是一个非常具有挑战性的问题。在本文中，我们介绍了为 Uber 构建的在全球范围内运行的可扩展 MLaaS。我们专注于几个可扩展性挑战。首先，如何为许多机器学习用例扩展特征计算。其次，如何使用全局数据构建准确的模型，并考虑各个城市或地区的特征。第三，如何实现可扩展的模型部署和实时服务，为多个数据中心中的数十万个模型提供服务。我们的技术解决方案是设计和实现可扩展的特征计算引擎和特征存储，一个框架用于将模型的层次结构作为单个逻辑实体进行管理和训练，以及一个自动化的单击部署系统和可扩展的实时服务。
APA
李, L.E., 陈, E., 赫尔曼, J., 张, P. & 王, L.. (2017). 作为服务的机器学习规模化. 第三届预测应用和API国际会议论文集, in 机器学习研究论文集 67:14-29 可从 https://pmlr.com.cn/v67/li17a.html 获取.

相关材料