METHOD OF AND SYSTEM FOR ONLINE MACHINE LEARNING WITH DYNAMIC MODEL EVALUATION AND SELECTION

There is provided a method and system for providing a recommendation for a given problem by using a set of supervised machine learning (ML) models online by performing dynamic model evaluation and selection. An optional knowledge capture phase may be used to train the set of ML models offline using passive and/or active learning. Upon detection of a suitable initialization condition, the set of ML models is provided for inference and a feature vector is obtained. A set of predictions associated with accuracy metrics is generated by the set of models based on the feature vector. The accuracy metric may be global or class-specific. A recommendation is provided based on at least one of the set of predictions. The recommendation may be provided by selecting a best model, or by performing a vote weighted by the accuracy metrics. The set of ML models is retrained after obtaining an actual prediction. Une méthode et un système sont décrits pour fournir une recommandation par rapport à un problème donné au moyen d'un ensemble de modèles d'apprentissage automatique supervisés en ligne en réalisation une évaluation et une sélection dynamiques de modèle. Une phase d'enregistrement de connaissances facultative est utilisée pour entraîner l'ensemble de modèles d'apprentissage automatique hors ligne au moyen de l'apprentissage passif et/ou actif. Suivant la détection d'une condition d'initialisation adéquate, l'ensemble de modèles d'apprentissage automatique est fourni pour l'inférence et un vecteur de caractéristique est obtenu. Un ensemble de prédictions associé à des mesures de précision est généré par l'ensemble de modèles en fonction du vecteur de caractéristique. La mesure de précision peut être globale ou spécifique à une classe. Une recommandation est faite en fonction d'au moins une prédiction de l'ensemble. La recommandation peut être faite en sélectionnant le meilleur modèle ou en réalisant un vote pondéré par les mesures de précision. L'ensemble de modèles d'apprentissage automatique est réentraîné après l'obtention de la prédiction réelle.