前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >MLSQL解决了什么问题

MLSQL解决了什么问题

作者头像
木东居士
发布2020-04-26 13:26:46
7540
发布2020-04-26 13:26:46
举报
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:

  1. 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。
  2. 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:

  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?

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

  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。
  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:

代码语言:javascript
复制
-- 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:

  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

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:

  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。

0x07 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 MLSQL博客地址:https://www.jianshu.com/c/759bc22b9e15

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2020-04-25,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 木东居士 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 0x00 前言
  • 0x01 数据中台的概念(让我们炒个概念)
  • 0x02 大数据研发同学看这里的痛点
  • 0x03 算法的同学看这里的痛点
  • 0x04 分析师同学的痛点看这里
  • 0x05 所有同学的痛点
  • 0x06 MLSQL会不会不够灵活,限制我们的能力?
  • 0x07 MLSQL 到底想干嘛
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档