MLSQL解决了什么问题

木东居士

发布于 2020-04-26 13:26:46

7540

发布于 2020-04-26 13:26:46

文章被收录于专栏：木东居士的专栏

0x00 前言

先给MLSQL做个定义：

MLSQL是首先是一门语言，SQL的超集。这意味着他的门槛足够低，无论分析师，研发，算法，运营，产品经理都可以用。
MLSQL 同时也是一个跨平台的支持私有部署和云部署的分布式计算引擎。这意味着你可以充分利用MLSQL的算力，完成大部分算法和大数据相关的工作。

MLSQL践行了用一个语言，一个平台去完成大数据和机器学习相关的工作。

0x01 数据中台的概念（让我们炒个概念）

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：

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。
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。
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？

正如前言所述，MLSQL是一门语言，一个分布式引擎，并且支持各种数据源，所以他天然适合做数据中台。

0x02 大数据研发同学看这里的痛点

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。
在大数据平台里面，批处理，流式，API服务等等都是割裂的。我们依赖各种语言，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。
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。
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.1.moduleName`="sklearn.naive_bayes"
....
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。

第二个问题，如何统一流批，API, 在上面的PPT里大家可以看到，所有工作都使用MLSQL语言完成，除此之外你可以整合各类API服务，用MLSQL完成诸如爬虫，发邮件，生成下载链接等等功能。

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。

0x03 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：

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
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。
训练时数据预处理/特征化无法在预测时复用
集成到流式，批处理和提供API服务都不是一件容易的事情
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。
其他团队很难接入算法的工作

这些问题我们慢慢看。首先是项目难以重现，环境问题。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。用户只要在自己的项目里添加一个包依赖文件就可以很好的解决。

第二个和大数据平台衔接，我PPT里还有个so sad 系列：

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？正如前面提到的， MLSQL 的PythonALg模块可以集成任何Python算法项目，算法工程师只要把项目丢进MLSQL就可以转化为一个算法模块，然后使用MLSQL语言调用。所以天然就是衔接的。如果用户不使用Python,那更好，MLSQL自己也集成了深度学习和传统机器学习相关的库，你可以用现成的。

第三个问题，”训练时数据预处理/特征化无法在预测时复用“，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。

第四个问题，”集成到流式，批处理和提供API服务都不是一件容易的事情“，因为任何算法或者处理逻辑都可以被MLSQL自动转化为一个UDF函数，所以可以无缝的衔接进流式和批处理里。那么如何提供API服务呢？MLSQL核心理念如下：

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。大家可以看到，一个标准的API服务本质就是一个select语句。

5，6两个问题，因为大家都用同一个语言，也就没有难么困难的交流了。研发可以为算法提供更多的预处理Estimator/Transformer,算法也可以提供更多的算法Estimator/Transformer。

0x04 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？

0x05 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。

0x06 MLSQL会不会不够灵活，限制我们的能力？

如果是简单的SQL其实肯定无法满足算法和工程的要求呢，而MLSQL是SQL的超集,这意味着 MLSQL具备高度扩展能力，这包括：

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。
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。
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。