ML模型部署体系结构？

Question

我来自一个软件开发背景，我们拥有相同数据库的独立服务器(dev、test、prod)。之所以如此，是因为我们开发了针对dev DB的应用程序，针对Test运行了测试，而prod就是prod。这样我们就可以创建一个清晰的分离，并且不会降低我们构建应用程序的难度。

你们用同样的方式训练你们的模特吗？有三个相同数据库的环境，当您的模型从开发到测试到测试，它是针对相应的环境进行的吗？

示例：

1. 数据科学家围绕着3种不同的标志进行分类。使用dev env的数据库创建3种模型(A、B、C)。
2. 数据科学家对3种模型进行评估，并在测试/验证后选择模型A。
3. 数据科学家将代码部署到测试/分阶段env (相同的超参数)中。然而，这一次，该模型使用测试/分阶段env的数据库进行培训。使用测试/暂存数据库中的数据创建模型A的版本。
4. 数据科学家将代码部署到PROD (相同的超参数)。然而，这一次，该模型使用PROD的数据库进行培训。使用PROD数据库中的数据创建模型A的版本。

Answer 1

不，您不需要针对3个单独的数据库进行培训，因为对于每个数据集，您需要从头开始完成整个工作(探索性数据分析、特性工程等)。您需要一个有效的培训数据集，从该数据集中创建验证数据集和测试数据集(作为最后验证步骤的延迟集)。当然，您可以将模型部署为测试服务器上的you服务，以确保其正常工作。但模型验证，包括避免过度或不足，有一个良好的准确性和所有这些都是在部署之前完成的。

Answer 2

只需像对待项目中的图像或其他资源一样对待模型。你也会在舞台上测试图像吗？