Patrón arquitectónico de sistema de aprendizaje automático para mejorar la estabilidad operativa

Recientemente, los sistemas de aprendizaje automático con motores de inferencia se han utilizado ampliamente para una variedad de propósitos (como predicción y clasificación) en nuestra sociedad. Si bien es bastante importante mantener estables los servicios proporcionados por estos sistemas de aprendizaje automático, mantener la estabilidad puede ser difícil dado la naturaleza de los sistemas de aprendizaje automático, cuyos comportamientos pueden ser determinados por códigos de programa y datos de entrada. Por lo tanto, es necesario un rápido diagnóstico de problemas (localización de problemas, retroceso, etc.). Sin embargo, los sistemas de aprendizaje automático comunes con patrones arquitectónicos de tres capas complican el proceso de solución de problemas debido a sus funciones estrechamente acopladas (por ejemplo, lógica de negocios codificada desde el diseño y motor de inferencia derivado de los datos). Para resolver el problema, proponemos un nuevo patrón arquitectónico para sistemas de aprendizaje automático en el que los componentes para la lógica de negocios y los componentes para el aprendizaje automático están separados. Este patrón arquitectónico ayuda a los operadores a descomponer las fallas en una parte de lógica de negocios y una parte específica de ML, y pueden retroceder el motor de inferencia independientemente de la lógica de negocios cuando el motor de inferencia tiene algunos problemas. A través de un escenario práctico de estudio de caso, mostraremos cómo nuestro patrón arquitectónico puede facilitar la solución de problemas en comparación con la arquitectura común de tres capas.