background

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。

到此差别页面的链接

--- background [2019/12/09 13:11]
jinlong [方案优点]
+++ 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 9: / 行 9: @@
 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 40: / 行 40: @@
 ===== EPPDEV-MLIB解决方案 =====
-==== 整体方案 ====
 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:
@@ 行 47: / 行 46: @@
-==== 方案优点 ====
+===== 方案优缺点 =====
-平台优势在于:
+==== 优势1：多种建模工具与算法的支持 ====
-  - 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
+{{ :model_support.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
-  - 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 ====

background.1575868293.txt.gz · 最后更改: 2020/07/12 12:07 (外部编辑)