如何保障线上服务和线下训练流程的一致性-人工智能平台 PAI(PAI)-阿里云帮助中心

本案例使用经典的CTR点击率预估数据集Avazu进行一体化模型训练，并将离线调试完成的归一化预测->独热编码预测->向量聚合->FM预测流程完整部署到EAS。您在线上环境进行模型预测时，也可以使用离线训练时的数据预处理和特征工程逻辑，以保障线上线下处理流程的一致性。

前提条件

已创建工作空间，详情请参见创建及管理工作空间。
已将MaxCompute资源关联到工作空间，详情请参见创建及管理工作空间。

数据集

Avazu是经典的CTR点击率预估数据集，PAI使用了Avazu的一个子集（包括20万条样本数据：训练集16万条；预测集4万条）构建点击率预估流程。数据详情请查看Avazu，具体的字段如下。

列名	类型	描述
id	STRING	广告ID
click	DOUBLE	是否点击
dt_year	INT	点击的年份
dt_month	INT	点击的月份
dt_day	INT	点击的时间（天）
dt_hour	INT	点击的时间（小时）
c1	STRING	匿名的离散变量
banner_pos	INT	标题的位置
site_id	STRING	地点ID
site_domain	STRING	地点Domain
site_category	STRING	地点类别
app_id	STRING	应用ID
app_domain	STRING	应用Domain
app_category	STRING	应用类别
device_id	STRING	设备ID
device_ip	STRING	设备IP
device_model	STRING	设备模型
device_type	STRING	设备类型
device_conn_type	STRING	设备连接类型
c14 - c21	DOUBLE	匿名离散变量（共8列）

操作步骤

进入Designer页面。
1. 登录PAI控制台。
2. 在左侧导航栏单击工作空间列表，在工作空间列表页面中单击待操作的工作空间名称，进入对应的工作空间。
3. 在工作空间页面的左侧导航栏选择模型开发与训练 > 可视化建模（Designer），进入Designer页面。
构建工作流。
1. 在Designer页面，单击预置模板页签。
2. 在模板列表的保障离在线一致性的CTR预估方案区域，单击创建。
3. 在新建工作流对话框配置以下关键参数，其他参数可以使用默认配置。
  
  其中：工作流数据存储配置为OSS Bucket路径，用于存储工作流运行中产出的临时数据和模型。
4. 单击确定。
  您需要等待大约十秒钟，工作流可以创建成功。
5. 在工作流列表，双击保障离在线一致性的CTR预估方案工作流，进入工作流。
通过模板创建的工作流，如下图所示。

在该工作流中，PAI将特征分为以下两类：
- 数值型特征：PAI使用归一化算法，将特征做归一化处理。
- 离散型特征：PAI使用独热编码组件处理。最后将两类特征融合成一个向量，并使用FM算法训练模型并推理。
运行工作流并查看输出结果。
1. 单击画布上方的。
2. 工作流运行结束后，右键单击画布中的二分类评估-1，在快捷菜单，单击可视化分析，或直接单击画布上方的。
3. 在二分类评估-1对话框指标数据页签，查看预估准确率。
如果指标满足要求，您可以将数据预处理、特征工程、模型预测的完整流程打包，并部署至EAS。
1. 在画布上方，单击制作Pipeline模型。
2. 手动选中归一化批预测-2节点后（会自动选中右侧的完整链路），单击下一步。会把选中需要部署的数据处理链路和用到的模型打包成一个Pipeline模型。
3. 在制作Pipeline模型对话框，确认模型打包信息，并单击下一步，启动Pipeline模型打包任务。打包任务大概需要3~5分钟即可完成。
4. 部署模型服务。
  - 方式一：在制作Pipeline模型对话框，当运行状态为成功时，单击部署至EAS，会跳转到EAS控制台。配置服务名称和资源部署信息后，单击部署，即可完成模型部署，更多详细内容，请参见Pipeline部署在线服务。
  - 方式二：如果制作Pipeline模型对话框已关闭，您可以在画布右上方单击全部任务查看，在历史任务对话框，查看制作任务运行状态。当状态为成功时：
    - 您可以单击操作列下的模型>部署，并按照控制台操作指引部署模型服务。
    - 您也可以单击画布上方的模型列表，在模型列表中选中打包的模型，单击部署至EAS并按照控制台操作指引部署模型服务。

在EAS控制台，单击已部署好的服务操作列下的在线调试，对服务进行在线调试，更多详细内容，请参见服务在线调试。

其中：Body区域的请求数据可以输入和数据集相同结构的测试数据，例如：

[{"id":"10000169349117863715","click":0.0,"dt_year":14,"dt_month":10,"dt_day":21,"dt_hour":0,"C1":"1005","banner_pos":0,"site_id":"1fbe01fe","site_domain":"f3845767","site_category":"28905ebd","app_id":"ecad2386","app_domain":"7801e8d9","app_category":"07d7df22","device_id":"a99f214a","device_ip":"96809ac8","device_model":"711ee120","device_type":"1","device_conn_type":"0","c14":15704.0,"c15":320.0,"c16":50.0,"c17":1722.0,"c18":0,"c19":35.0,"c20":100084.0,"c21":79.0}]

该数据在服务中会顺序进行归一化预测->独热编码预测->向量聚合->FM预测，最终得到如下预测结果。