模型在线部署
什么是模型在线部署
模型在线部署，指将训练好的单个机器学习模型或模型Pipline保存至HDFS，并以Restful API形式对外提供模型服务。通过API传入入参，系统进行模型运行，将运行结果返回给调用方，实现模型的在线预测。
可视化实验模型部署方式
AIWorks支持2种模型部署方式：SingleModel部署、Pipline部署。
-
SingleModel部署：仅部署可视化实验中的单个机器学习模型，适用于单个模型的预测，输入为模型特征列；
-
Pipline部署：支持部署可视化实验中的模型流程（数据源+特征工程+机器学习），适用于整个建模流程预测，输入原始数据即可。
SingleModel部署
实验运行成功，产生模型文件后，模型处于可部署状态，可开始模型部署：
步骤一 ：在实验编辑页面操作栏点击模型在线部署按钮，选择SingleModel部署方式。
步骤二：选择部署模型、部署类型，定义模型名称与描述。
-
选择部署模型：可选的模型为当前实验流程中运行成功的机器学习模型；
-
部署类型：包含新建模型服务与增加已有模型服务版本。
-
新建模型服务：即新增模型，需定义模型名称与模型描述。
-
模型名称：不超过32个字符，支持字母、数字与下划线；
-
模型描述：不超过200个字符，除空格外，不限制其他字符格式；
-
-
增加已有模型服务版本：选择已部署的某个模型，在该模型上增加一个版本号，同个模型的调用地址一样，可选择哪个版本对外提供服务。
-
选择已有模型：选择单个已部署模型；
-
模型版本号：系统自增，标识该模型；
-
-
| AIWorks现支持的机器学习模型中，时间序列不支持模型在线部署。 |
步骤三：模型部署成功后，系统将提该模型的RestfulAPI，并可进入在模型管理页面进行模型调试，开始模型调用。
Pipline部署
实验运行成功后，可开始Pipline部署，Pipline可部署实验流程中数据源-特征工程-机器学习整个流程。
步骤一：在实验编辑页面操作栏点击模型在线部署按钮，选择Pipline部署方式。
步骤二：选择实验画布中的机器学习模型，系统将自动检测出该模型所关联且可部署的Pipline,如下图。
-
可部署Pipline模型：Pipline目前包含数据源/目标、特征工程、机器学习、Python及拆分组件，且这些组件中间需连，不能包含其他类型组件，否则流程会断掉。
| AIWorks现支持的机器学习模型中，时间序列不支持模型在线部署。 |
-
Pipline检测状态：系统会自动检测除模型关联的Pipline，检测结果有以下几种：
| 检测状态 | 含义及操作 |
|---|---|
检测中 |
此时模型部署按钮置灰，该实验中的其他模型不可部署 |
检测成功 |
系统检测到可部署的Pipline，可开始“部署”或“关闭”，点击部署，继续部署流程；点击关闭，关闭检测到的Pipline，进行其他操作。 |
未检测到已选择内容的可部署Pipline |
系统未检测到，需按照可部署的Pipline组件规范检查实验流程。 |
步骤三：检测成功后，选择部署类型，定义模型名称与描述，后续流程与SingModel部署一致
-
选择部署模型：可选的模型为当前实验流程中运行成功的机器学习模型；
-
部署类型：包含新建模型服务与增加已有模型服务版本。
-
新建模型服务：即新增模型，需定义模型名称与模型描述。
-
模型名称：不超过32个字符，支持字母、数字与下划线；
-
模型描述：不超过200个字符，除空格外，不限制其他字符格式；
-
-
增加已有模型服务版本：选择已部署的某个模型，在该模型上增加一个版本号，同个模型的调用地址一样，可选择哪个版本对外提供服务。
-
选择已有模型：选择单个已部署模型；
-
模型版本号：系统自增，标识该模型；
-
-
步骤四：模型部署成功后，系统将提该模型的RestfulAPI，并可进入在模型管理页面进行模型调试，开始模型调用。