医疗保健推者系统数据驱动优化在MLOP中重新训练管道,使用可穿戴物联网数据
Yohan Park1, Jonghyeok Mun1, Yejung Lee1
1School of Computer Science and Engineering, Soongsil University, 369 Sangdo-Ro, Dongjak-Gu, Seoul 06978, Republic of Korea.
Sensors (Basel, Switzerland)
|October 29, 2025
概括
本研究介绍了一种动态数据管理策略,以打击个性化医疗保健推系统中的模型漂移. 该方法确保了自适应模型更新,提高了边缘AI应用程序的计算效率和持续精度.
科学领域:
- 人工智能的人工智能
- 机器学习操作 (MLOps)
- 边缘计算 边缘计算
背景情况:
- 个性化医疗保健推系统通过可穿戴设备部署在边缘AI设备上.
- 云服务器训练基础模型,优化以减少边缘设备上的数据.
- 模型漂移,准确度随着时间的推移而下降,由于过时的预测影响了用户体验.
研究的目的:
- 解决个性化医疗保健推系统中的模型漂移问题.
- 为适应性模型更新提出动态数据管理策略.
- 为了提高资源效率,并在重新培训期间保持模型准确性.
主要方法:
- 在自动机器学习操作 (MLOps) 管道中实施了动态数据管理策略.
- 利用数据减少和特征选择算法来保持基本模型性能.
- 使用FitRec可穿戴数据验证了该方法,以提供个性化的健身建议.
主要成果:
- 在模型重新训练过程中实现了更好的计算效率.
- 持续的模型准确性,尽管结合了新的数据和解决漂移.
- 证明有效地减轻数据漂移和提高资源效率.
结论:
- 动态数据管理策略确保了边缘AI基础模型的更快的训练和持续的性能.
- 这种方法为不断完善个性化推服务提供了强大的解决方案.
- 适应性模型更新对于将建议与物联网环境中不断变化的用户偏好保持一致至关重要.
