10.针对数据和模型的端到端质量控制在端到端机器学习工作流的各个阶段 ， 需要嵌入可靠的数据质量检查、模型质量检查、数据和概念漂移检测 ， 以确保机器学习系统本身是可靠且可信的 。这些质量控制的检查包括描述统计学、整体数据形状、数据缺失、数据重复、几乎恒定的特征、统计测试、距离指标和模型预测质量 ， 等等 。
以上 ， 可以称之为机器学习系统架构的10个要素 。在我们的实践中 ， 整个工作流应该保持大致相同 ， 但可能需要对其中某些要素进行调整和定制 。
如何对机器学习的系统架构进行调整呢？
如何在产品设计之初精简架构要素呢？
如何在引入机器学习系统系统时 ， 保持原有系统架构的持续性呢？
推荐阅读
![[肖战]肖战发布全新单曲《光点》：不要捧杀我，我只想做自己](http://img88.010lm.com/img.php?https://image.uc.cn/s/wemedia/s/2020/29c7b93c81a81ccf6f10a75e8435f881.jpg)
- 机器人服务员 益节保洁机器人
- 机器人300024股票分析 华中数控股票
- 小忆机器人和同类智能机器人比有什么优点？谢谢了。 小忆机器人官网
- 货到付款实体娃娃厂家直销 仿真女性机器人
- 公司组织架构体系 公司组织架构图
- 性用品自动售卖机价格 智能机器人伴侣
- 机器人怎么画五年级?机器人怎么画简单?
- 戴森扫地机器人使用说明书 戴森扫地机器人
- 谷歌开源首个「方言」数据集：让机器翻译更地道
- 一篇打通微服务架构，Nacos + Gateway + Redis + MySQL + Docker