避開這些坑 一個實用的機器學習框架就會誕生
機器學習是一種資料驅動實現人工智慧的方式。
從機器學習系統到“成熟商用”,有這7道門檻
門檻1:有效資料量快速增長
隨著越來越多的資料被記錄下來,
門檻2:機器學習演算法-No Free Lunch
No Free Lunch是監督學習領域著名的定理,指的是沒有可以解決所有問題的完美機器學習模型。不同目標場景要採用不同的機器學習演算法。所以機器學習框架還需具備演算法開發的友好性。
門檻3:資料科學家的稀缺性
人工智慧需要對演算法和業務問題都很精通的資料科學家,
門檻4:機器學習計算和傳統ETL計算的差異性
1. 計算
對比於ETL相對“簡單”的運算,機器學習演算法對資料的運算更複雜,比如一些非線性模型需要密集的計算。所以實際中,不僅要考慮到不同計算資源的特性,同時還要調整計算模式,降低因分散式運算給通訊、同步、災備等帶來的overhead。
2. 通訊
很多機器學習演算法在計算過程中會頻繁使用到全域或者其他節點的資訊,對網路吞吐和通訊延遲的 要求要遠高於ETL任務。同時,很多機器學習任務對於一致性的要求要低於ETL任務,所以在系統的設計上可以使用放鬆的一致性要求。
3. 存儲
ETL處理的是各種來源不同的資料,其中反復反覆運算運算較少。而機器學習演算法反復反覆運算運算很多,
4. 災備和效率的權衡
與ETL計算任務不同,機器學習計算任務流程相對複雜,中間狀態較多,在較細的細微性上進行容災,會增加執行過程中的額外開銷。因此在容災策略和容災細微性上,機器學習計算任務和ETL計算任務之間的權衡點不一樣。
門檻5:資源差異性
相同的機器學習演算法可能會在不同的資源、不同的環境下被使用,
門檻6:系統的開放性
機器學習系統要能夠便於集成部署在實際業務系統中。同時,因為多種多樣的ETL平臺會產生機器學習所需要的資料,所以機器學習系統要能夠開放地對接已有的業務ETL、決策系統。
門檻7: 大規模分散式機器學習系統的複雜性
大規模分散式機器學習系統涉及的環節很多,計算邏輯複雜,因此整個系統架構設計的清晰度、 執行過程的可理解性、執行的可追蹤性、實際系統的可運維性都是非常重要的。同時,要在不同的資料規模下,權衡分散式 overhead和收益。
當今巨頭科技公司紛紛推出開源機器學習框架,很大程度上降低了人工智慧的研究門檻。但目前這些備受追捧的開源框架,真能滿足企業完成實際複雜業務的挑戰嗎?答案可能並不樂觀。因為,從根本上來說,目前最為流行的計算框架如Hadoop、Spark,其重點任務大多是ETL類計算。前文提到過,機器學習的計算任務相比於ETL計算有很多不同之處。此外,一些演算法框架比如tensorflow等,比較注重研究上的易用性,演算法上偏重於深度神經網路一類演算法,從而在效率上有所捨棄。而另外一些注重生產應用的演算法框架,特別是分散式框架,在演算法二次開發上又捉襟見拙。
如何見招拆招,設計出實用的機器學習系統?
那麼,設計一個實用的機器學習系統究竟要怎麼做呢?這裡,我們以第四範式的大規模分散式機器學習框架GDBT(General Distributed Brilliant Technology)為例。它的設計目標可以概括為高效、智慧、易開發、易部署、易運維、易擴展、覆蓋場景廣泛。
1.高效
計算
根據計算硬體的不同特性,GDBT採用不同版本的本地計算,盡可能利用好加速指令。同時考慮到不適所有任務都需要分散式執行,所以同時對分散式、單機運行都盡可能做到最優。
存儲
不同的存放裝置的價格、速度和容量不一樣,GDBT要能適應不同的存儲配置、最優化存儲存取速度、和存儲使用效率。
網路
通過合理設計計算模式,調配網路通訊,GDBT最優化網路通訊延遲、網路使用效率。
高效災備
因為機器學習演算法中間狀態很多,為避免overhead問題,GDBT的災備更加偏重於機器學習演算法的核心參數。同時基於不同計算規模,制定不同災備策略。
2.智慧
演算法智慧
機器學習中特徵工程和模型調參需要資料科學家對機器學習演算法和實際業務有較深理解。因此,先進的機器學習系統需要提供自動或半自動特徵工程,例如GDBT就提供包括自動特徵生成、自動特徵選擇、特徵自動組合在內的自動特徵工程,以及自動模型調參。
運行智慧
根據不同應用場景,GDBT可以自動適配運行方式,獲得更高的運行效率。
3.易開發
GDBT提供工業級的開發者易用性,儘量對演算法開發者遮罩底層細節,提供對機器學習元件的良好包裝,能夠方便實現機器學習所需的各種分散式模式。在GDBT上,只需要數百行代碼,就可以實現邏輯回歸、矩陣分解等演算法的分散式版本。
4.部署&維護
GDBT支持多種平臺,例如Yarn,Hadoop MR、MPI等,並方便跨平臺遷移。它能夠即時監控運行狀態和進度、方便調試與錯誤跟蹤。
5.覆蓋廣泛應用場景
通過重新設計、深度整合現有模型和演算法,合理設計計算模式和流程,GDBT能夠提供更加高效的符合實際應用場景的演算法,比如GDBT上的演算法能夠兼顧離散特徵和連續特徵,最優化I/O和計算資源的使用效率。
中文科技資訊宣導尊重與保護智慧財產權。如發現本站文章存在版權問題,煩請30天內提供版權疑問、身份證明、版權證明、聯繫方式等發郵件至news@citnews.com.cn,我們將及時溝通與處理。
大規模分散式機器學習系統涉及的環節很多,計算邏輯複雜,因此整個系統架構設計的清晰度、 執行過程的可理解性、執行的可追蹤性、實際系統的可運維性都是非常重要的。同時,要在不同的資料規模下,權衡分散式 overhead和收益。
當今巨頭科技公司紛紛推出開源機器學習框架,很大程度上降低了人工智慧的研究門檻。但目前這些備受追捧的開源框架,真能滿足企業完成實際複雜業務的挑戰嗎?答案可能並不樂觀。因為,從根本上來說,目前最為流行的計算框架如Hadoop、Spark,其重點任務大多是ETL類計算。前文提到過,機器學習的計算任務相比於ETL計算有很多不同之處。此外,一些演算法框架比如tensorflow等,比較注重研究上的易用性,演算法上偏重於深度神經網路一類演算法,從而在效率上有所捨棄。而另外一些注重生產應用的演算法框架,特別是分散式框架,在演算法二次開發上又捉襟見拙。
如何見招拆招,設計出實用的機器學習系統?
那麼,設計一個實用的機器學習系統究竟要怎麼做呢?這裡,我們以第四範式的大規模分散式機器學習框架GDBT(General Distributed Brilliant Technology)為例。它的設計目標可以概括為高效、智慧、易開發、易部署、易運維、易擴展、覆蓋場景廣泛。
1.高效
計算
根據計算硬體的不同特性,GDBT採用不同版本的本地計算,盡可能利用好加速指令。同時考慮到不適所有任務都需要分散式執行,所以同時對分散式、單機運行都盡可能做到最優。
存儲
不同的存放裝置的價格、速度和容量不一樣,GDBT要能適應不同的存儲配置、最優化存儲存取速度、和存儲使用效率。
網路
通過合理設計計算模式,調配網路通訊,GDBT最優化網路通訊延遲、網路使用效率。
高效災備
因為機器學習演算法中間狀態很多,為避免overhead問題,GDBT的災備更加偏重於機器學習演算法的核心參數。同時基於不同計算規模,制定不同災備策略。
2.智慧
演算法智慧
機器學習中特徵工程和模型調參需要資料科學家對機器學習演算法和實際業務有較深理解。因此,先進的機器學習系統需要提供自動或半自動特徵工程,例如GDBT就提供包括自動特徵生成、自動特徵選擇、特徵自動組合在內的自動特徵工程,以及自動模型調參。
運行智慧
根據不同應用場景,GDBT可以自動適配運行方式,獲得更高的運行效率。
3.易開發
GDBT提供工業級的開發者易用性,儘量對演算法開發者遮罩底層細節,提供對機器學習元件的良好包裝,能夠方便實現機器學習所需的各種分散式模式。在GDBT上,只需要數百行代碼,就可以實現邏輯回歸、矩陣分解等演算法的分散式版本。
4.部署&維護
GDBT支持多種平臺,例如Yarn,Hadoop MR、MPI等,並方便跨平臺遷移。它能夠即時監控運行狀態和進度、方便調試與錯誤跟蹤。
5.覆蓋廣泛應用場景
通過重新設計、深度整合現有模型和演算法,合理設計計算模式和流程,GDBT能夠提供更加高效的符合實際應用場景的演算法,比如GDBT上的演算法能夠兼顧離散特徵和連續特徵,最優化I/O和計算資源的使用效率。
中文科技資訊宣導尊重與保護智慧財產權。如發現本站文章存在版權問題,煩請30天內提供版權疑問、身份證明、版權證明、聯繫方式等發郵件至news@citnews.com.cn,我們將及時溝通與處理。