【机器学习】融入ML的持续集成与持续交付框架

上期我们介绍了持续集成与持续交付的敏捷开发架构。随着机器学习的流行，越来越多的敏态业务除了要尽快上市，还要结合机器学习来尽快预测出市场发展。
在敏态交付的示意图中，开发和运维不再分家，应用被模块化地拆解开来，单元测试和集成测试周期被大大缩短。持续集成/持续交付作为其中衔接的环节，帮助了很多原来只懂开发的程序员了解了业务需求，提高了运维水平。

回过头来说说机器学习，它其实是一个对输入参数、算法选择和参数不断进行最优调试的过程。比如说我们对猫的种类通过图像识别来进行归类训练，输入的参数（或从图像识别到的参数）有：猫的发色、发量、体型、瞳距等等；

由于是监督学习的归类问题，可选择的算法也只有SVM，近似邻域和CART算法，结合调参，可以算出通过学习样本预测的数据准确度。

对于验证样本的目标准确度，我们可以设置一个预期值，比如95%，经过反复的调参之后，基本就可以得到准确的配参算法。由于机器学习发生在数据层，敏捷交付发生在应用层，因此在将数据训练结合到DevOps双曲环中一定是可以并行工作的。

在企业已有CI/CD平台的基础上，并行接入机器学习的API接口是最初级的对接方式，由数据科学家在集成开发环境（IDE）中完成测试后，将训练环境的算法接口开放给应用，应用将元数据标签一一对接即可。

最佳集成模型是建立应对不同数据应用的模型库，同时建立新数据的返送机制，这样可以不断提高模型的成熟度，同时结合业务不断丰富模型库。