vivo互联网机器学习平台的建设与实践( 五 )


1.实现平台能力的贯通

  • 当前特征、样本还是模型的读取都是通过hdfs实现的 , 在平台上的告警、日志信息都未关联上 , 后续可以进行平台能力贯通;
  • 平台的数据和模型还有标准化的空间 , 降低学习成本 , 提升模型开发的效率 。
2. 加强框架层面的预研
  • 研究不同分布式训练框架对模型效果的影响 , 适配不同的业务场景;
  • 提供预置的参数 , 实现算法、工程、平台的解耦 , 降低用户的使用门槛 。

经验总结扩展阅读