文件名称：部署后的持续优化-golang高级编程
文件大小：2.1MB
文件格式：PDF
更新时间：2024-07-21 21:41:33
大数据分析 工业大数据
8.4 部署后的持续优化 模型运行过程中应该进行持续的优化，否则技术就没有生命力。 没有哪个模型在建立之初就是完美的，一般需要经过长时间的优 化和改进，才能更好地满足用户需要。优化包括精度的提高、适用范 围的扩大、知识的增加等。 模型的精度很大程度上决定于数据的质量。特定数据的质量往往 取决于基础的维护和管理的水平。但维护和管理都要花费成本，所以 对于重要性不大的数据，人们往往疏于维护和管理，从而导致数据的 质量很差。如果分析模型确实能够为企业带来效益，数据的重要性和 经济价值就会大大增加，从而为提高数据的精度奠定基础，这是推动 模型不断优化的动力。 一般来说，企业的产品、工艺、设备、原料等都是在不断变化、 甚至不断创新的，这可能导致模型的使用率不断降低。现实中，如果 模型的投入率低到一定的程度，模型就会被边缘化，甚至会被放弃。 这时候，维护人员一定要设法让模型的适用范围不断扩大，以适应这 些变化。 随着数据质量的提高和数量的增加，可能会经常发现新的知识和 规则，这时就需要对模型进行完善。因此，模型的架构必须灵活，必 须能够适应这些变化。特别地，由于工业应用对可靠性和稳定性的要 求很高，模型的变动本身就可能成为不稳定因素。故而，如何减少模 型变动所可能产生的不利影响是必须考虑的问题。 9. 展望未来 当前，以大数据、云计算、物联网等为代表的新一轮科技革命席 卷全球，工业数字化、网络化和智能化的步伐不断加快，工业大数据