MLSQL解决了什么问题

栏目: Python · 发布时间: 5年前

内容简介: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: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。

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

查看所有标签

猜你喜欢:

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

现代信息检索

现代信息检索

(西班牙) Ricardo Baeza-Yates、(巴西)Berthier Ribeiro-Neto / 机械工业出版社 / 2011-3 / 78.00元

本书不仅详细介绍了信息检索的所有主要概念和技术,以及有关信息检索面的所有新变化,而且其组织使读者既可以对现代信息检索有一个全面的了解,又可以获取现代信息检索所有关键主题的详细知识。本书的主要内容由信息检索领域的代表人物Baeza-Yates和Ribeiro-Neto编写,对于那些希望深入研究关键领域的读者,书中还提供了由其他主要研究人员编写的关于特殊主题的发展现状。 与上一版相比,本版在内容......一起来看看 《现代信息检索》 这本书的介绍吧!

在线进制转换器
在线进制转换器

各进制数互转换器

SHA 加密
SHA 加密

SHA 加密工具

UNIX 时间戳转换
UNIX 时间戳转换

UNIX 时间戳转换