MLOps 与微服务：海事领域的案例研究.pdfVIP

MLOps与微服务：

海事领域的案例研究

RenatoCordeiroFerreira,

RowanneTrapmann,and

Willem-JanvandenHeuvel

JheronimusAcademyofDataScience(JADS),’s-Hertogenbosch,TheNetherlands

EindhovenUniversityofTechnology(TUe),Eindhoven,TheNetherlands

TilburgUniversity(TiU),Tilburg,TheNetherlands

本r.cordeiro.ferreira@jads.nl

W.J.A.M.vdnHeuvel@

译r.i.a.h.trapmann@tue.nl

中

2摘要本案例研究描述了在海事领域构建异常检测机器学习启用系统（MLES）

v所面临的挑战和经验教训：海洋卫士。首先，文章介绍了系统的规格和架

2

0构。海洋卫士被设计为微服务架构，以支持多个团队并行工作。然后，文

2章讨论了开发人员如何将基于合同的设计应用于MLOps以实现该目标。

6

0作为一种MLES，海洋卫士使用代码、模型和数据契约在其服务之间建立

.准则。本案例研究希望激励软件工程师、机器学习工程师和数据科学家在

6

0他们的系统中采用类似的方法。

5

2

:Keywords:微服务·MLOps·软件架构·机器学习使能系统·海洋

v

i领域·案例研究

x

r

a

1介绍

海上运输是全球贸易和商业的基石，促进了货物和商品在广大区域内的

流通。海事领域代表了全球物流和交通运输中最动态且最复杂的运营环境之

一。它以跨越国际边界的持续运动、多变的监管框架以及对不可预测天气条

件的脆弱性为特征。因此，海上操作产生了来自多个来源的大规模异构数据。

近年来，由于经济压力、环境法规和安全关切的推动，海运行业的数字

化转型加速了～[3]。根据国际海事组织（IMO），现在的船只功能如同浮动

的数据中心，配备了数百个传感器。通过自动化促进船舶之间以及船舶与岸

基系统之间的安全数据共享，从而改进海上导航和通信～[1]。这个复杂的信

2R.C.Ferreiraetal.

息流网络跨越了航运公司、港口当局、海事安全机构及商业伙伴之间的组织

边界～[8]。

这一丰富的数据生态系统带来了机遇和挑战，包括利用机器学习（ML）

进行预测分析、异常检测和路线优化的潜力[2]。然而，提取可操作的洞察

需要能够大规模地摄入、处理和分析不同数据流，并在连接性和条件迅速变

化的环境中保持运营可靠性的系统[16]。机器学习运维（MLOps）指的是

旨在实现这一目标的最佳实践集合、概念集