人工智能，应该如何测试？（四）模型全生命周期流程与测试图

这些日子讲了很多东西，但比较乱，我这里补充一下完整的业务和测试流程。

生命周期流程图

image1774×769 43.8 KB

根据数据闭环，我画出了上面的图，并标记了其中测试人员要参与的活动（浅蓝色）。下面我一一分析一下这些测试活动的含义。

获取更多技术资料，请点击！

• 离线模型测试阶段：在模型的生命周期中，会涉及到 3 种数据。 训练集，验证集和测试集，其中训练集用来训练模型，验证集用来算法自测。 而测试人员需要自行采集/挖掘（要根据用户画像每种类别的数据都要采集到）符合场景的测试的数据。 根据测试数据对模型进行完整的评估（AUC，召回，精准等等）

• 线上线下一致性测试： 模型的离线和在线是采取完全不同的代码进行的特征工程（模型不接受原始数据，数据需要经过特征工程后输入到模型），要保证两边的特征工程完全一致是很难的。 所以要进行一致性的测试。

• A/B Test： 模型即便在离线进行了充分的测试，但线上的情况瞬息万变，模型上线是一个严谨的过程。 我们希望模型更新的过程更加严谨。 所以往往会让新旧模型共存一段时间。比如我们先把 10% 的流量切给新模型， 90% 的流量依然发送到老模型中。 然后待观察效果没有问题后，再切 20% 的流量到新模型上，以此类推， 直到最后新模型完全替代老模型。

• 线上模型监控：因为用户行为瞬息万变，可能随便一个社会性时间用户的行为就发生了重大的改变。 所以我们需要实时的监控线上效果。

• 数据质量测试：新采集的数据要加入到自学习之前，需要验证数据本身的质量。以免犹豫数据本身出现了问题导致模型效果的偏差。