使用机器学习或人工智能驱动的模型一旦构建和测试，就不是直接的人工智能问题，它只是一个开发问题。因此，您不会找到很多专注于这部分工作的机器学习教程。但它们确实存在。

本质上它与集成任何其他功能相同，可能在第三方库中：

• 打包新函数，以便可以从您的生产系统中调用它（这可能是最难的部分）

• 决定在生产系统的代码中调用新函数的位置。在您的示例案例中，可能在完成描述事件的表格后，您可以链接新票证中最受推荐的知识库文章。

• 根据您的开发团队设计和检查相关的用户体验/UI（在小型项目中，您可以跳过此步骤并直接实施）

• 更改您的生产代码以调用打包的函数。在任何专业开发团队中，这部分都会有多个阶段，但与问题并不真正相关 - 如果您是 ML 专家并将您的新模型交付给现有团队，您需要与他们讨论包装部分和这里涉及的步骤。

通常，机器学习模型带有一大堆系统其他部分所没有的依赖关系。有多种解决方案，具体取决于您使用的库、是否使用云 PaaS 服务等。您可以构建一个 Docker 映像来保存所有 AI 部分并调用它来传递输入数据。

将 ML 模型作为工作部署到生产环境通常是机器学习工程师角色的任务。如果您搜索它们，则有涵盖这些步骤的实际方面的课程和文章。这里有一对：

• 从 Coursera部署机器学习模型

• Medium 上的一篇博客文章：部署 ML 模型有两种截然不同的方式。. .

我与上述任何人都没有从属关系，没有阅读过文章或参加过课程，也无法提出任何建议，即使您告诉我您目前用于 ML 和生产中的技术。

部署到生产环境后。. .

你的工作不一定完成。您将需要监控系统的行为。在集成过程中，您应该添加日志记录，或者以某种方式在野外获得性能反馈。

例如，如果这是一个 ML 系统，那么在测试中看到的准确性是否与现实生活相符？目标人群是否在漂移？如果系统进行干预 - 例如通过建议链接或向最终用户显示类别 - 这些在实践中的工作情况如何？当服务处于负载状态时，系统的性能和响应速度是否足够快？

如果它是更具反应性的 AI 系统，它会自行采取行动，您同样需要监控它应该优化的内容，或对其输出进行采样以进行错误和质量控制。

所有这些反馈都可以回到设计和集成的新迭代中。如何整合这在很大程度上取决于系统的性质和您发现的内容，因此可能是进一步问题的主题。