概述
ML 模型的 A/B 測試意味著將即時流量同時路由到兩個模型版本，並衡量哪一個模型在真實使用者和真實結果上實際上表現得更好。這很重要，因為離線準確度指標通常無法預測業務影響，因此唯一誠實的測試是生產中的受控實驗。
ML 模型的 A/B 測試是一個技術構建塊，會大規模影響模型品質、基礎設施成本、延遲和可靠性。
深入探討
離線模型可能看起來很棒——AUC更高，錯誤率更低——但仍然會損害你關心的指標，例如收入或留存率。 A/B 測試透過將使用者隨機分為由現有模型 (A) 服務的對照組和由候選模型 (B) 服務的治療組，然後比較所選的成功指標來解決此問題。隨機化確保各組具有可比性，因此任何差異都可以歸因於模型。團隊使用統計假設檢定來確定觀察到的差距是真實的還是噪音，設定顯著性水準（通常為 5%）併計算足夠的統計功效所需的樣本量。相關技術包括金絲雀發布（一小部分流量首先嘗試新模型）和影子測試（新模型在不影響用戶的情況下對請求進行評分）。
技術洞察
核心是假設檢驗。原假設表示兩個模型的表現相同；僅當在給定變異數和樣本量的情況下差異具有統計顯著性時，您才拒絕它。 p 值低於閾值（例如 0.05）表示純偶然情況下結果不太可能出現。功率分析預先告訴您需要多少用戶才能可靠地檢測到有意義的效果 - 較小的預期改進需要更大的樣本來確認。
掌握 ML 模型的 A/B 測試
ML 模型的 A/B 測試意味著將即時流量同時路由到兩個模型版本，並衡量哪一個模型在真實使用者和真實結果上實際上表現得更好。這很重要，因為離線準確度指標通常無法預測業務影響，因此唯一誠實的測試是生產中的受控實驗。 ML 模型的 A/B 測試是一個技術構建塊，會大規模影響模型品質、基礎設施成本、延遲和可靠性。為了加深理解，請將 ML 模型的 A/B 測試視為一種操作模型，而不是單一功能：定義所需的結果、澄清假設，並將系統可以可靠地執行的操作與仍需要專家判斷的操作分開。
在實踐中，使用 A/B 測試進行 ML 模型的強大團隊可以根據可靠性和成本來優化架構、資料和基礎設施選擇。他們記錄明確的成功標準，根據實際數據和工作流程進行測試，並根據觀察到的失敗模式而不是一次性基準測試勝利進行迭代。這就是理論理解轉變為跨產品、政策和營運的持久能力的地方。
多年來，架構決策決定著效能和營運成本。同時，優化一個基準測試可以隱藏更廣泛的系統弱點。最具彈性的方法是將實驗速度與治理規則結合：運行試點、捕獲證據、發布決策日誌，並隨著模型行為、使用者期望和監管要求的發展不斷更新保障措施。
戰略影響
多年來，架構決策決定著效能和營運成本。
多年來，架構決策決定著效能和營運成本。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
技術教育幫助團隊選擇正確的堆疊，而不僅僅是最新的堆疊。
技術教育幫助團隊選擇正確的堆疊，而不僅僅是最新的堆疊。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
更好的工程選擇可以減少生產中的可靠性事故。
更好的工程選擇可以減少生產中的可靠性事故。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
現實世界的實施
串流服務 A/B 測試了新的推薦模型，測量每個用戶的觀看時間而不是離線排名準確性。
一家電子商務網站金絲雀在全面推出之前發布了新的搜尋排名模型，佔流量的 5%。
一家銀行並行對新的詐騙模型進行影子測試，將其警報與即時模型進行比較，而不會阻止任何交易。
一款叫車應用程式使用多臂老虎機在定價模型之間路由請求，有利於駕駛更多完整行程的模型。
實施模式
ML 模型的 A/B 測試實踐
串流服務 A/B 測試了新的推薦模型，測量每個用戶的觀看時間而不是離線排名準確性。
串流服務 A/B 測試新的建議模型，測量每位使用者的觀看時間而不是離線排名準確性。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並追蹤一段時間內的生產力增益和錯誤成本時，通常會得到更好的結果。
ML 模型的 A/B 測試實踐
一家電子商務網站金絲雀在全面推出之前發布了新的搜尋排名模型，佔流量的 5%。
電子商務網站金絲雀在全面推出之前將新的搜尋排名模型發佈到 5% 的流量。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並隨著時間的推移追蹤生產力增益和錯誤成本時，通常會獲得更好的結果。
ML 模型的 A/B 測試實踐
一家銀行並行對新的詐騙模型進行影子測試，將其警報與即時模型進行比較，而不會阻止任何交易。
銀行並行對新的詐欺模型進行影子測試，將其警報與即時模型進行比較，而不會阻止任何交易。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並隨著時間的推移追蹤生產力增益和錯誤成本時，通常會得到更好的結果。
ML 模型的 A/B 測試實踐
一款叫車應用程式使用多臂老虎機在定價模型之間路由請求，有利於駕駛更多完整行程的模型。
打車應用程式使用多臂老虎機在定價模型之間路由請求，有利於駕駛更多完成的乘車的模型。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並隨著時間的推移追蹤生產力增益和錯誤成本時，通常會得到更好的結果。
風險與防護欄
優化一項基準測試可以隱藏更廣泛的系統弱點。
基礎設施和維護成本常常被低估。
隨著系統變得更加複雜，安全性和可觀察性差距可能會擴大。
實施路線圖
在實施之前定義延遲、品質和成本目標。
在實施之前定義延遲、品質和成本目標。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
在實際負載和資料條件下進行基準測試。
在實際負載和資料條件下進行基準測試。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
儀器監控錯誤、漂移和使用者影響。
儀器監控錯誤、漂移和使用者影響。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
在擴展之前準備回滾和事件回應路徑。
在擴展之前準備回滾和事件回應路徑。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。