差别

这里会显示出您选择的修订版和当前版本之间的差别。

--- background [2019/12/09 13:06]
jinlong [模型落地困难,工作量大]
+++ background [2020/07/12 12:07] (当前版本)
@@ 行 1: / 行 1: @@
-====== EPPDEV-MLIB分布式模型部署平台背景说明 ======
+====== EPPDEV-MLIB平台背景说明 ======
 ===== 问题的提出 =====
@@ 行 5: / 行 5: @@
 ==== 模型工程师与软件工程师的技术与思维鸿沟 ====
-{{ :soft_model_gap.jpg?400 |}}
+{{ :soft_model_gap.jpg?600 |}}
 在机器学习项目实施过程中,软件工程和模型工程的衔接上,存在巨大的技术和思维鸿沟：
-  * 软件工程师熟悉的主要时软件工程相关技术和架构,如 JavaEE、MySQL、React 等软件开发相关技术,对模型工程师的机器学习模型则知之甚少
+  * 软件工程师熟悉的主要为软件工程相关技术和架构,对模型工程师的机器学习模型则知之甚少
-  * 模型工程师熟悉的主要为相关机器学习模型算法,如逻辑回归、决策树、SVM 等,但是对软件工程相关技术则不甚了解
+  * 模型工程师熟悉的主要为相关机器学习模型算法,但是对软件工程相关技术则不甚了解
 正式因为上述的技术和思维鸿沟,导致了模型工程师建模完成后,系统化落地比较困难。
@@ 行 18: / 行 18: @@
 模型工程师完成数据建模以后,后续模型计算的工作环节如下图所示:
-{{ :model_deploy_process.jpg?400 |}}
+{{ :model_deploy_process.jpg?600 |}}
 主要流程包括以下四个环节:
@@ 行 39: / 行 39: @@
 ===== EPPDEV-MLIB解决方案 =====
+为了更好的划分号模型工程师和软件工程师的分工界面,结合实际业务需要,EPPDEV-MLIB 解决方案应运而生。通过 EPPDEV-MLIB 方案可以很好的区分模型工程师和软件工程师的分工界面,模型工程师负责完成 pmml 文件的构建,软件工程师通过调用 EPPDEV-MLIB 调用网关提供的标准化接口,即可完成模型的计算,具体逻辑如下图所示:
+{{ :eppdev_mlib_solution.jpg?600 |}}
+===== 方案优缺点 =====
+==== 优势1：多种建模工具与算法的支持 ====
+{{ :model_support.jpg?600 |}}
+平台模型计算基于 PMML 标准来完成,支持多种常用的建模工具(如 sklearn, spark mlib, R, tensorflow 等),支持多种机器学习模型算法
+==== 优势2：方便与各应用系统集成 ====
+{{ :model_call_method.jpg?600 |}}
+平台提供了常用的模型调用工具 SDK,支持批量任务调用、hive sql 调用、实时接口调用等多种模型调用方式,可以满足不同应用场景下的系统对接
+==== 优势3：全分布式高可用架构 ====
+{{ :eppdev_mlib_logic_arch.jpg?600 |分布式高可用架构}}
+全分布式高可用架构,任意组件的失效均不影响模型运算的正常运转
+==== 平台不足 ====
+当然,本平台仍然有一定的不足之处：
+  - 模型构建必须输出为 pmml 格式,这就要求模型工程师在进行特征工程、模型构建是全部使用 Pipeline 方式,客观上会增加模型工程师的工作量,但是相对于模型部署上节约的工作量,这部分工作量基本上可以忽略不计
+  - 目前平台仅支持模型部署,暂不支持基础数据建模和模型的定时更新,上述功能仍需模型工程师手工处理,或者开发相信的程序来完成。上述功能已纳入 V2.0 的版本规划中,待后续开发完成后,即可实现系统化建模和模型更新功能

EPPDEV-MLIB

用户工具

站点工具

差别

页面工具