当监控系统检测到明显的漂移或性能下降时，问题就来了：我们如何有效地更新模型？所选的再训练策略直接影响系统的响应速度、稳定性和操作复杂性。存在两种主要方法：周期性批量再训练和持续在线学习。理解它们的区别对于设计有效的自动化更新系统很重要。
批量再训练：标准方法
批量再训练是更传统的方法。在这种方法中，模型从头开始（或微调 (fine-tuning)）在一批新的、大的数据上进行再训练。这批数据通常包含自上次训练运行以来收集的最新历史数据。
自动化再训练和模型更新通常遵循一系列明确的步骤。首先，生产数据（特征、预测以及可用的真实标签）被持续记录和累积。再训练会根据预设的触发器启动，这些触发器可以是固定的时间表（如每周或每月）、来自监控系统的警报（如数据漂移超过特定阈值或准确率下降），或是影响用户行为的重要事件（如新产品发布）。启动后，需为再训练准备数据集，这可能涉及使用最新数据的滑动窗口、整个历史数据或策略性抽样子集。随后，利用标准训练流程在准备好的批量数据集上训练新的模型候选。在部署之前，候选模型会经过全面的离线评估，将其性能与当前生产模型和预定义的质量门进行比较。只有在验证通过后，新模型才会利用金丝雀测试或影子测试等策略被部署到生产环境中。
优点：
- 稳定性与可复现性： 在大批量数据上训练通常会使模型参数 (parameter)更稳定，相比单实例更新。这种过程通常更容易复现。
- 全面验证： 允许进行全面的离线评估，使用既定的交叉验证技术、公平性评估以及在部署前与基线模型进行比较。
- 实现较简单： 使用标准的机器学习 (machine learning)训练基础设施和工作流，这些通常是成熟的。
缺点：
- 适应滞后： 模型仅在再训练周期完成后更新。如果环境变化迅速，模型在两次更新之间可能会过时并表现不佳。
- 资源消耗大： 在大型数据集上训练可能计算成本高且耗时，需要大量的基础设施资源（CPU/GPU、内存）。
- 潜在数据浪费： 批量运行期间到达的数据未立即用于改进模型。
在线学习系统：持续适应
在线学习（或增量学习）采取不同的方法。不再是周期性的大批量再训练，而是随着新数据点（或小型小批量数据）的到来，模型参数 (parameter)增量更新。
机制：
- 数据流： 模型逐个或以非常小的批量处理传入的生产数据点。
- 预测与反馈： 模型进行预测。理想情况下，真实标签反馈很快就会到达。
- 参数更新： 收到反馈后（或使用不需要即时反馈的技术），模型参数略微调 (fine-tuning)整，以整合新实例的信息。一个常见的更新规则如下：
θt+1=更新(θt,xt+1,yt+1,η)
其中 θt 是时间 t 时的参数，(xt+1,yt+1) 是新的数据点及其标签，η 是一个学习率，控制更新步长。随机梯度下降 (gradient descent)（SGD）等算法本质上是在线的。
- 持续运行： 模型随着传入数据流不断演进。
优点：
- 快速适应： 模型可以几乎即时地适应新模式和变化的数据分布。这在高度动态的环境中是有益的。
- 每次更新资源消耗较低： 每次更新的计算成本较低，通常只涉及新实例的计算。
- 数据使用效率高： 每个数据点都可能立即有助于改进模型。
缺点：
- 潜在不稳定性： 模型可能对噪声、异常值或非平稳数据高度敏感，可能导致性能急剧变化或“灾难性遗忘”（模型忘记先前学习的模式）。
- 验证困难： 持续评估一个不断变化的模型是困难的。标准的批量交叉验证不直接适用。监控变得更加重要。
- 实现复杂： 需要能够处理流数据、低延迟更新和复杂状态管理的基础设施。监控需要非常密切地跟踪性能。
- 参数敏感性： 性能可能对学习率和更新算法的选择敏感。数据呈现的顺序可能产生很大影响。
选择正确策略：权衡
在批量再训练和在线学习之间进行选择涉及平衡多个因素：
| 特性 |
批量再训练 |
在线学习 |
| 适应速度 |
较慢（周期性） |
较快（接近实时） |
| 稳定性 |
通常较高 |
可能较低（对噪声敏感） |
| 验证 |
较容易（离线批量验证） |
较困难（持续监控很重要） |
| 计算量 |
每次训练运行高 |
每次更新低 |
| 基础设施 |
标准批量处理 |
流式、低延迟基础设施 |
| 数据新鲜度 |
可能过时 |
始终使用最新数据 |
| 用例 |
稳定环境、复杂模型 |
动态环境、高速度数据 |
批量再训练与在线学习系统中的数据流和更新周期的比较。
混合方法
也可以实现混合系统。例如：
- 一个在线学习组件可以处理快速的短期适应。
- 周期性批量再训练运行可以确保长期稳定性，修正在线模型累积的漂移，或纳入更大的架构更改。
- 一个批量训练的模型可能处理大部分流量，而一个在线模型则在影子模式下运行或处理一小部分流量以进行评估。
对监控和自动化的影响
这一选择很大程度上影响着监控和自动化流程：
- 批量系统： 监控主要在于有效触发再训练（漂移程度、性能下降），并在部署前彻底验证所得的候选模型。自动化则围绕批量数据的ETL流程、训练任务执行以及验证/部署工作流。
- 在线系统： 监控必须接近实时，持续跟踪性能和稳定性。如果性能急剧下降，可能需要自动化回滚或暂时停止更新的机制。检测灾难性遗忘是一个很大的监控难题。自动化涉及安全地管理流处理基础设施和增量更新机制。
最终，在批量再训练和在线学习之间进行选择取决于特定应用的对数据新鲜度、稳定性、环境变化速度和可用工程资源的要求。许多生产系统依赖于由复杂监控触发的自动化批量再训练，而在线学习则用于需要最快适应的场景。
