MLSQL解决了什么问题

栏目: Python · 发布时间: 5个月前

来源: www.jianshu.com

本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们

数据中台的概念

在谈MLSQL解决了什么问题之前,我们先提一个“数据中台”的概念。什么是数据中台呢?数据中台至少应该具备如下三个特点:

  1. 在不移动数据的情况下,提供全司视角数据视图,并且能够将这种能力释放给兄弟部门。
  2. 在不干涉其他部门API定义的情况下,提供全司视角的(也包括外部API)的API服务视图,并且能够在中台中组装使用。
  3. 所有的人都可以在数据中台上以统一的,简单的语言,结合第二点中提到的API服务能力,在中台中对第一点中提到的数据进行加工处理,这些加工处理包括批处理,流式,包括机器学习训练,批预测,提供API服务等。

简而言之,数据中台应该是分析师,算法,研发,产品,运营甚至老板日常工作的集中式的控制台。MLSQL就可以做成这么一件事,为什么呢?因为MLSQL是一门语言,同时也是一个引擎,通过周边配套,就可以做成这么一件事情。

这个概念有点大,大家不一定能理解。我们再来聊聊大家的痛点,切肤之痛更易于感同身受。

大数据研发同学看这里的痛点

  1. 很多情况大数据平台和算法平台是割裂的,这就意味着人员和工作流程,还有研发方式,语言都是割裂。
  2. 在大数据平台里面,批处理,流式,API服务等等都是割裂的。我们依赖的是低级别的语言,比如Scala/Java/Go/Python等等,每个人写出的代码各有千秋,分析师,研发,数仓各自看不懂对方的东西。
  3. 起点低,都快进入了2019年了,很多同学们还在用一些比较原始的技术和理念,比如还在大量使用类似yarn调度的方式去做批任务,流式也还停留在JStorm,Spark Streaming等技术上。哪怕是没有多少历史包袱的公司也是。
  4. 我们会有大量的项目需要维护,而在我看来,一个中小型大数据部门,2-3个核心项目仓库是最理想的。代码维护是昂贵的。

MLSQL首先是弥合了大数据平台和算法平台的割裂,这是因为MLSQL对算法有着非常友好的支持。我们看一个比较典型的示例:

-- load data
load parquet.`${rawDataPath}` as orginal_text_corpus;

-- select only columns we care
select feature,label from orginal_text_corpus as orginal_text_corpus;

-- feature enginere moduel
train zhuml_orginal_text_corpus  as TfIdfInPlace.`${tfidfFeaturePath}` 
where inputCol="content" 
and `dic.paths`="/data/dict_word.txt" 
and stopWordPath="/data/stop_words"
and nGrams="2";

-- load data
load parquet.`${tfidfFeaturePath}/data` as tfidfdata;

--  algorithm module
train zhuml_corpus_featurize_training as PythonAlg.`${modelPath}` 
where pythonScriptPath="${projectPath}"
-- distribute data
and  enableDataLocal="true"
and  dataLocalFormat="json"
-- sklearn params
and `fitParam.0.moduleName`="sklearn.svm"
and `fitParam.0.className`="SVC"
and `fitParam.0.featureCol`="features"
and `fitParam.0.labelCol`="label"
and `fitParam.0.class_weight`="balanced"
and `fitParam.0.verbose`="true"

and `fitParam.1.moduleName`="sklearn.naive_bayes"
and `fitParam.1.className`="GaussianNB"
and `fitParam.1.featureCol`="features"
and `fitParam.1.labelCol`="label"
and `fitParam.1.class_weight`="balanced"
and `fitParam.1.labelSize`="2"

-- convert model to udf
register  TfIdfInPlace.`${tfidfFeaturePath}` as tfidf_transform;
register  PythonAlg.`${modelPath}` as classify_predict;

-- predict
select classify_predict(tfidf_transform(feature)) from orginal_text_corpus as output;

这段脚本完成了数据加载,处理,tfidf化,并且使用两个算法进行训练,注册模型为函数,最后调用函数进行预测,一气呵成。大家可以看这个 PPT ,了解MLSQL如何进行批,流,算法,爬虫相关的工作。这个文档同时也说明了MLSQL如何解决上面提到的第二个痛点。

第三个问题,MLSQL底层集合了譬如Spark,Tensorflow/Sklearn等各种主流技术以及大数据相关的思想,所以其实并不需要你关注太多。

算法的同学看这里的痛点

我们假设大部分算法的代码都是基于 Python 的:

  1. 项目难以重现,可阅读性和环境要求导致能把另外一个同事写的python项目运行起来不得不靠运气
  2. 和大数据平台衔接并不容易,需要让研发重新做工程实现,导致落地周期变长。
  3. 训练时数据预处理/特征化无法在预测时复用
  4. 集成到流式,批处理和提供API服务都不是一件容易的事情
  5. 代码/算法复用级别有限,依赖于算法自身的经验以及自身的 工具 箱,团队难以共享。
  6. 其他团队很难接入算法的工作

关于第二点,我PPT里还有个so sad 系列:

MLSQL解决了什么问题

image.png

基本算法工程师搞了个算法,很可能需要两周才能上线,你说怎么才能迭代变快。两周上线不可怕,可怕的是每个项目都是如此。

那么MLSQL怎么去解决呢?我们知道,如果是简单的SQL怎么可能满足算法和工程的要求呢,所以我们提供了MLSQL, MLSQL具备高度扩展能力,这包括:

  1. Estimator/Transformer ,前面我们看到train语法里的TfIdfInPlace,PythonAlg,这些模块你可以用现成的,研发也可以扩展,然后--jars带入后就可以使用。
  2. MLSQL提供了在脚本中写python/scala UDF/UDAF的功能,这就意味着你可以通过代码无需编译和部署就能扩展MLSQL的功能。
  3. MLSQL 的PythonALg模块可以集成任何Python算法项目。我们通过借鉴MLFlow的一些思想可以很好的解决Python环境依赖问题,并且比MLFlow具有更少的侵入性。

另外,前面我们提到“训练时数据预处理/特征化无法在预测时复用“,尤其是还存在跨语言的情况,研发需要翻译算法的代码。MLSQL因为大家用的都是同一个语言,所以不存翻译的问题。

那么如何解决预处理/特征化复用呢?我们知道,在训练时,都是批量数据,而在预测时,都是一条一条的,本身模式就都是不一样的。所以传统的模式是很难复用的,在MLSQL里,所谓数据处理无非就是 SQL+UDF Script+Estimator/Transformer, 前面两个复用其实没啥问题,Estimator/Transformer 在训练时,接受的是批量的数据,并且将学习到的东西保存起来,之后在预测时,会将学习到的东西转化函数,然后使用函数对单条数据进行预测。大家看这个图就明白了。

MLSQL解决了什么问题

image.png

那么我们如何把算法部署成API服务呢? MLSQL核心理念如下:

MLSQL解决了什么问题

image.png

我们可以把训练阶段的模型,udf, python/scala code都转化为函数,然后串联函数就可以了。无需任何开发,就可以部署出一个端到端的API服务。

分析师同学的痛点看这里

分析师大部分都是写SQL, hive script其实shell + SQL, 这无形又需要分析师懂shell了, shell是一门神奇的语言,主要是他不正规,没有标准委员会去约束。这是第一个痛点。

第二个痛点是啥呢, SQL难以复用。 复用体现在几个层面,第一,同一条SQL里有多个相同的case when语句,我得手写很多次。第二个是,SQL表的复用,SQL执行完一般就是一张表,如果我想复用这张表,那我就得写hive表,写hive表很痛苦,耗时并且占用存储,成本高。我能不能构建类似视图的东西呢?比如我需要A表,A 其实就是一条SQL,我需要的时候include这种A就好了。

第三个痛点是,我啥事都得靠你研发,比如处理一个东西依赖的UDF函数,都得等你研发搞。那我能不能自己用Python写一个UDF,不需要编译,不需要上线,还能复用呢?

这些问题如何解决呢?MLSQL的解决方式在这篇文章里 如何按 程序员 思维写分析师脚本

所有同学的痛点

所有同学的痛点,其实就是协作痛点。不同同学讲的语言不一样,你用Java,我用SQL,我用Scala,我用C++。 MLSQL怎么解决这个痛点呢?同一个语言,同一个平台。

MLSQL 到底想干嘛

前面的数据中台概念里,我们提到了全公司数据视图,得益于我们底层依赖的Spark,我们基本上可以load任何类型的数据源,所以你可以实现不挪动数据的情况,就可以把数仓里的数据,业务的数据库,甚至execel放在一起进行join.

MLSQL就是想成为前面我们描述的一个数据中台,整合大数据和机器学习还有分析的所有流程。他的终极目标也很简单,让你的工作更轻松。

MLSQL 官网地址是: http://www.mlsql.tech

MLSQL的github地址: https://github.com/allwefantasy/streamingpro


以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持 码农网

为你推荐:

相关软件推荐:

查看所有标签

本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们

如何求解问题

如何求解问题

Zbigniew Michalewicz、David B.Fogel / 曹宏庆 / 中国水利水电出版社 / 2003-2-1 / 35.00元

《如何求解问题:现代启发式方法》通过一系列贯穿于章节间的有趣难题,《如何求解问题:现代启发式方法》深入浅出地阐述了如何利用计算机来求解问题的一些现代启发式方法。全书包括两部分,共分15章。一起来看看 《如何求解问题》 这本书的介绍吧!

HTML 压缩/解压工具
HTML 压缩/解压工具

在线压缩/解压 HTML 代码

JS 压缩/解压工具
JS 压缩/解压工具

在线压缩/解压 JS 代码

CSS 压缩/解压工具
CSS 压缩/解压工具

在线压缩/解压 CSS 代码