如何建設(shè)機(jī)器學(xué)習(xí)平臺(tái)，該如何去做

00. 平臺(tái)的業(yè)務(wù)

從平臺(tái)這個(gè)概念本身來說，它提供的是支撐作用，通過整合、管理不同的基礎(chǔ)設(shè)施、技術(shù)框架，一些通用的流程規(guī)范來形成一個(gè)通用的、易用的GUI來給用戶使用。通用性是它的考量之一、也是所有平臺(tái)的愿景之一：希望平臺(tái)能適用于各個(gè)不同的業(yè)務(wù)線來產(chǎn)生價(jià)值。所以從業(yè)務(wù)上來說，作為一個(gè)平臺(tái)本身是不會(huì)、也不應(yīng)該有太多specific的業(yè)務(wù)功能的。當(dāng)然這只是理想情況，有時(shí)候?yàn)榱似脚_(tái)使用方的需求，也不得不加上一些業(yè)務(wù)領(lǐng)域特定的功能或者補(bǔ)丁來適應(yīng)業(yè)務(wù)方，特別是平臺(tái)建設(shè)初期，在沒有太多業(yè)務(wù)的使用的時(shí)候。整體來看，平臺(tái)自身的業(yè)務(wù)可謂是非常簡(jiǎn)單，可以用一張圖來表示：

平臺(tái)的業(yè)務(wù)

上面這個(gè)分支是標(biāo)準(zhǔn)的機(jī)器學(xué)習(xí)流程的抽象。從數(shù)據(jù)準(zhǔn)備，數(shù)據(jù)處理，模型訓(xùn)練，再到模型上線實(shí)現(xiàn)價(jià)值完成整個(gè)流程。

下面這個(gè)分支，也是機(jī)器學(xué)習(xí)和數(shù)據(jù)科學(xué)領(lǐng)域中不可或缺的，主要指的是類似于Jupyter Notebook這類，提供高度靈活性和可視化的數(shù)據(jù)探索服務(wù)，用戶可以在里面進(jìn)行數(shù)據(jù)探索、嘗試一些實(shí)驗(yàn)來驗(yàn)證想法。當(dāng)然當(dāng)平臺(tái)擁有了SDK/CLI之后，也可以在里面無縫集成上面這條線里面的功能，將靈活性與功能性融合在一起。

01. 基礎(chǔ)設(shè)施

上面提到平臺(tái)本身是整合了不同的基礎(chǔ)設(shè)施、技術(shù)框架和流程規(guī)范。在正式開始之前，有必要介紹下本文后續(xù)所使用的的基礎(chǔ)設(shè)施和框架。

在容器化、云化的潮流中，Kubernetes基本上是必選的基礎(chǔ)設(shè)施，它提供靈活易用的基礎(chǔ)設(shè)施和應(yīng)用管理能力，同時(shí)擴(kuò)展性非常好。它可以用于

部署平臺(tái)本身

調(diào)度一些批處理任務(wù)(這里主要指離線任務(wù)，如數(shù)據(jù)處理、模型訓(xùn)練。適用的技術(shù)為：Spark on kubernetes/Kubernetes Job)，

部署常駐服務(wù)(一般指的是RESTful/gRPC等為基礎(chǔ)的服務(wù)，如啟動(dòng)的Notebook、模型發(fā)布后的模型推理服務(wù)。適用的技術(shù)為Kubernetes Deployment/Kubernetes Statefulset/Service等)。

機(jī)器學(xué)習(xí)的主要場(chǎng)景下，數(shù)據(jù)量都是非常大的，所以Hadoop這一套也是必不可少的，其中包含基礎(chǔ)的Hadoop(HDFS/HIVE/HBase/Yarn)以及上層計(jì)算框架Spark等。大數(shù)據(jù)技術(shù)體系主要用于數(shù)據(jù)存儲(chǔ)和分布式數(shù)據(jù)處理、訓(xùn)練的業(yè)務(wù)。

最后就是一些機(jī)器學(xué)習(xí)框架，Spark系的(Spark MLlib/Angel)，Python系的(Tensorflow/Pytorch)。主要用途就是模型訓(xùn)練和模型發(fā)布(Serving)的業(yè)務(wù)。

02.原始數(shù)據(jù)

原始數(shù)據(jù)，也叫做數(shù)據(jù)源，也就是機(jī)器學(xué)習(xí)的燃料。平臺(tái)本身并不關(guān)心原始數(shù)據(jù)是如何被收集的，只關(guān)心數(shù)據(jù)存儲(chǔ)的方式和位置。存儲(chǔ)的方式?jīng)Q定了平臺(tái)是否能支持此種數(shù)據(jù)的操作。存儲(chǔ)的位置決定了平臺(tái)是否有權(quán)限、有能力去讀取到此數(shù)據(jù)。按主流的情況來看，原始數(shù)據(jù)的存儲(chǔ)一般支持四類形式：

傳統(tǒng)的數(shù)據(jù)庫，例如RDS/NoSQL。這類數(shù)據(jù)源見得比較少，因?yàn)橐话阍诖髷?shù)據(jù)場(chǎng)景下，通用的解決方案是將此類數(shù)據(jù)源通過一些工具導(dǎo)入到大數(shù)據(jù)體系中(如Sqoop)。對(duì)于此類數(shù)據(jù)源的支持也是很簡(jiǎn)單的，使用通用的Driver 或者 Connector即可。

以HDFS為媒介的通用大數(shù)據(jù)存儲(chǔ)。此類數(shù)據(jù)源使用較為廣泛，最常見的是HDFS文件(parquet/csv/txt)和基于HDFS的HIVE數(shù)據(jù)源。另外，由于是大數(shù)據(jù)場(chǎng)景下的經(jīng)典數(shù)據(jù)源，所以上層的框架支持較為完善。

NFS。NFS由于其快速的讀寫能力，以及悠久的歷史。很多企業(yè)內(nèi)部都有此基礎(chǔ)設(shè)施，因而已有的數(shù)據(jù)也極有可能存儲(chǔ)在上面。

OSS(對(duì)象存儲(chǔ))。最過于流行的要屬S3了。對(duì)象存儲(chǔ)是作為數(shù)據(jù)湖的經(jīng)典方案，使用簡(jiǎn)單，存儲(chǔ)理論上無限，和HDFS一樣具備數(shù)據(jù)高可用，不允許按片段更改數(shù)據(jù)，只能修改整個(gè)對(duì)象是其缺點(diǎn)。

值得注意的是，NFS和OSS一般用于存儲(chǔ)非結(jié)構(gòu)化數(shù)據(jù)，例如圖片和視屏。或者用于持久化輸出目的，如容器存儲(chǔ)，業(yè)務(wù)日志存儲(chǔ)。而HDFS和數(shù)據(jù)庫里面存放的都是結(jié)構(gòu)化、半結(jié)構(gòu)化的數(shù)據(jù)，一般都是已經(jīng)經(jīng)過ETL處理過的數(shù)據(jù)。存儲(chǔ)的數(shù)據(jù)不一樣決定了后續(xù)的處理流程的區(qū)別：

NFS/OSS系數(shù)據(jù)源，基本上都是通過TensorFlow/Pytorch來處理，數(shù)據(jù)一般通過Mount或者API來操作使用。當(dāng)然也有特例，如果是使用云服務(wù)，例如AWS的大數(shù)據(jù)體系的話，絕大多數(shù)場(chǎng)景下，是使用S3來代替HDFS使用的，這也得益于AWS本身對(duì)于S3的專屬EMRFS的定制化。當(dāng)然Spark本身等大數(shù)據(jù)處理框架也是支持此類云存儲(chǔ)的。

HDFS系和傳統(tǒng)數(shù)據(jù)庫系數(shù)據(jù)源，這個(gè)大數(shù)據(jù)框架、Python系框架都是可以的。

平臺(tái)一般會(huì)內(nèi)嵌對(duì)以上數(shù)據(jù)源的支持能力。對(duì)于不支持的其他存儲(chǔ)，比如本地文件，一般的解決方案是數(shù)據(jù)遷移到支持的環(huán)境。

03.數(shù)據(jù)導(dǎo)入

這應(yīng)該是整個(gè)平臺(tái)里較為簡(jiǎn)單的功能，有點(diǎn)類似于元數(shù)據(jù)管理的功能，不過功能要更簡(jiǎn)單。要做的是在平臺(tái)創(chuàng)建一個(gè)對(duì)應(yīng)的數(shù)據(jù)Mapping。為保證數(shù)據(jù)源的可訪問，以及用戶的操作感知。平臺(tái)要做的事情可以分為三步：

訪問對(duì)應(yīng)的數(shù)據(jù)源，以測(cè)試數(shù)據(jù)是否存在、是否有權(quán)限訪問。

拉取小部分?jǐn)?shù)據(jù)作為采樣存放在平臺(tái)中(如MySQL)，以便于快速展示，同時(shí)這也是數(shù)據(jù)本身的直觀展現(xiàn)(Sample)。對(duì)于圖片、視頻類的，只需要存儲(chǔ)元信息(如資源的url、大小、名稱)，展示的時(shí)候通過Nginx之類的代理訪問展示即可。

如果是有Schema的數(shù)據(jù)源，例如Hive表，數(shù)據(jù)源的Schema也需要獲取到。為后續(xù)數(shù)據(jù)處理作為輸入信息。

技術(shù)上來說，平臺(tái)中會(huì)存在與各種存儲(chǔ)設(shè)施交互的代碼，大量的外部依賴。此時(shí)，外部依賴可能會(huì)影響到平臺(tái)本身的性能和可用性，比如Hive的不可用、訪問緩慢等，這個(gè)是需要注意的。

業(yè)務(wù)上來說，更多考量的是提高系統(tǒng)的易用性，舉個(gè)例子，創(chuàng)建Hive表數(shù)據(jù)源，是不是可以支持自動(dòng)識(shí)別分區(qū)，選擇分區(qū)又或者是動(dòng)態(tài)分區(qū)(支持變量)等。

04.數(shù)據(jù)處理

這里的數(shù)據(jù)處理是一個(gè)大的概念，從我的認(rèn)知上來看。大體可以分成兩個(gè)部分， 數(shù)據(jù)標(biāo)注以及特征處理。

數(shù)據(jù)標(biāo)注

數(shù)據(jù)標(biāo)注針對(duì)是的監(jiān)督學(xué)習(xí)任務(wù)，目前機(jī)器學(xué)習(xí)的應(yīng)用場(chǎng)景大多都是應(yīng)用監(jiān)督學(xué)習(xí)任務(wù)習(xí)得的。巧婦難為無米之炊，沒有足夠的標(biāo)注數(shù)據(jù)，算法的發(fā)揮也不會(huì)好到哪兒去。對(duì)于標(biāo)注這塊。業(yè)務(wù)功能上來說，基本上可以當(dāng)成是另一套系統(tǒng)了，我們可以把它叫做標(biāo)注平臺(tái)。但從邏輯關(guān)系上來說，標(biāo)注數(shù)據(jù)是為了機(jī)器學(xué)習(xí)服務(wù)的。本質(zhì)上也是對(duì)數(shù)據(jù)的處理，所以劃到機(jī)器學(xué)習(xí)平臺(tái)里面也沒有什么問題。

標(biāo)注平臺(tái)對(duì)應(yīng)了之前提到平臺(tái)的另一功能：提供通用的流程規(guī)范。這里，流程指的是整個(gè)標(biāo)注流程，規(guī)范指的是標(biāo)注數(shù)據(jù)存儲(chǔ)的規(guī)范，比如在圖像領(lǐng)域，目前沒有通用而且規(guī)范的存儲(chǔ)格式，比較需要平臺(tái)來提供一種通用的存儲(chǔ)格式。

數(shù)據(jù)標(biāo)注有兩種，一種是人工標(biāo)注; 另一種是使用已訓(xùn)練好的機(jī)器學(xué)習(xí)模型來標(biāo)注，然后再輔以人工確定和修訂。無論是使用哪種方式，最后都需要人工介入。因?yàn)閿?shù)據(jù)標(biāo)注的正確性是非常重要的，大家應(yīng)該都聽過一句話： 數(shù)據(jù)和特征決定了機(jī)器學(xué)習(xí)的上限，而模型和算法只是逼近這個(gè)上限而已。 如果給你的數(shù)據(jù)都是有問題的，那模型如何能學(xué)習(xí)到正確的能力呢。

在標(biāo)注平臺(tái)中，往往都是人工+模型混合使用的，整體流程如下：

在標(biāo)注平臺(tái)中，人工+模型混合使用

在最開始可能沒有模型來輔助進(jìn)行標(biāo)注(這里的預(yù)標(biāo)注)，這個(gè)時(shí)候就需要人為手工介入，以此來訓(xùn)練出一個(gè)模型

當(dāng)我們根據(jù)標(biāo)注出的數(shù)據(jù)(訓(xùn)練數(shù)據(jù)集)訓(xùn)練出不錯(cuò)的模型之后，就可以使用此模型來對(duì)新輸入的數(shù)據(jù)做一個(gè)預(yù)標(biāo)注的工作，然后再輔以人工確認(rèn)和修訂

如此反復(fù)迭代，隨著輸入數(shù)據(jù)的增多，當(dāng)我們訓(xùn)練出的模型準(zhǔn)確率達(dá)到一個(gè)很高的水準(zhǔn)之后，需要人工操作的數(shù)據(jù)就會(huì)越來越少。以此減少人工成本費(fèi)

標(biāo)注平臺(tái)中需要考量的問題有幾點(diǎn)：

一般來說，需要標(biāo)注的數(shù)據(jù)量都是非常巨大的。不存在說兩三個(gè)人隨便標(biāo)幾下就完事。所以更為通用的做法是做一個(gè)眾包平臺(tái)，外包給其他公司或者自由職業(yè)者(標(biāo)注員)來做。參考AWS的Amazon Mechanical Turk。這就涉及到了權(quán)限控制、角色控制。

標(biāo)注數(shù)據(jù)的準(zhǔn)確性問題。不能避免有些標(biāo)注員劃水摸魚，隨意標(biāo)注。此時(shí)是需要己方人員去做一個(gè)審計(jì)工作的，這里就是一個(gè)工作流，和上圖所示差不多。是一個(gè)相對(duì)來說較為規(guī)范的流程，可以隨著業(yè)務(wù)來增加額外的流程。

標(biāo)注工具的開發(fā)。如果有合適開源工具，可以集成開源工具，如VGG-VIA/Vatic， poplar。開源工具一般不會(huì)滿足所有的需求，在開源上做二次開發(fā)往往成本更高。這里更傾向于自己開發(fā)，這樣更能滿足需要，自定義程度高，靈活性強(qiáng)

標(biāo)注數(shù)據(jù)的存儲(chǔ)。最好是一個(gè)相對(duì)通用的格式，以便于往各種其他格式做一個(gè)轉(zhuǎn)換。在使用時(shí)做一個(gè)數(shù)據(jù)格式轉(zhuǎn)換。這里更偏好Json格式類似的存儲(chǔ)，可讀性和代碼可操作性都非常高

技術(shù)上的考量，這里并不是太多。唯一需要注意的可能是數(shù)據(jù)的處理，如圖片、視頻標(biāo)注，資源的拆剪、縮放，各種標(biāo)注數(shù)據(jù)的保存，坐標(biāo)計(jì)算等。相對(duì)而言，后端主要是工作流處理，前端的各種標(biāo)注工具是技術(shù)核心點(diǎn)。

特征處理

在正式開始模型構(gòu)建與訓(xùn)練之前，對(duì)數(shù)據(jù)做特征處理基本上是必不可少的環(huán)節(jié)。特征處理的輸入是之前創(chuàng)建的數(shù)據(jù)集、或者是標(biāo)注完成后產(chǎn)生的數(shù)據(jù)集。它的輸出是經(jīng)過一系列數(shù)據(jù)操作后、可以直接輸入到模型中的數(shù)據(jù)，這里稱它為訓(xùn)練數(shù)據(jù)。

這里又可以分為兩類，一類是不需要太多操作的特征處理，常見于非結(jié)構(gòu)化數(shù)據(jù)，如圖片、視屏。另一類是針對(duì)結(jié)構(gòu)化/半結(jié)構(gòu)化數(shù)據(jù)的特征處理流程，這類數(shù)據(jù)往往不是拿來即可用的，需要一定的特征處理。

首先來看第一類，第一類的典型應(yīng)用場(chǎng)景就是CNN圖像領(lǐng)域。對(duì)于輸入的圖片，一般不需要太多的操作。此類數(shù)據(jù)源往往也是存儲(chǔ)在NFS/OSS上的。對(duì)于此類數(shù)據(jù)的處理，一般也不會(huì)使用到大數(shù)據(jù)框架，一般都是自己手?jǐn)]Python(C++)來處理；或者是放在模型訓(xùn)練一起處理，不單獨(dú)拎開。Spark2.3開始是支持圖片格式的，不過目前沒有看到太多的使用案例。整體流程如下：

CNN圖像領(lǐng)域

本質(zhì)上是一個(gè)批處理過程，Kubernetes的Job天然適用于此類問題。當(dāng)然其他調(diào)度框架來做這個(gè)任務(wù)調(diào)度也是可以的。

然后是第二類，這種基本上就是傳統(tǒng)的特征工程了，以Hive/HDFS輸入為經(jīng)典例子。由于對(duì)數(shù)據(jù)的操作是非常多樣的，所以一般傾向于構(gòu)建一個(gè)數(shù)據(jù)處理的流水線，也就是Pipeline：

傳統(tǒng)的特征工程

把對(duì)數(shù)據(jù)的操作拆分成一個(gè)一個(gè)的操作運(yùn)算(也就是一個(gè)Pipeline Node節(jié)點(diǎn))，可以把它叫做算子,然后利用Pipeline把操作進(jìn)行自由組合，從而達(dá)到對(duì)數(shù)據(jù)進(jìn)行各種變換處理的過程。使用過Sklearn pipeline或者Spark MLlib pipeline的小伙伴應(yīng)該對(duì)此并不陌生，事實(shí)上，這就是基于此的可視化建模。使得用戶可以在界面上進(jìn)行拖拉拽，選擇和輸入一些參數(shù)來完成對(duì)于數(shù)據(jù)的操作，提供更靈活的功能。

那么這條Pipeline里面都有哪些操作呢，整個(gè)算子大致可以分為這幾類別：

特征處理

技術(shù)上，使用Spark MLlib是個(gè)不錯(cuò)的選擇，可以適應(yīng)不同數(shù)據(jù)量的規(guī)模。且天然支持這種Pipeline的形式，只需要對(duì)此做一定的封裝。同時(shí)，考慮到業(yè)務(wù)功能，還需要手動(dòng)定制、修改一些算子；對(duì)于擴(kuò)展這點(diǎn)，它的支持也是非常不錯(cuò)的，自定義算子、算法都比較簡(jiǎn)單。當(dāng)然也可以基于其他框架(如Azkaban)或者自己造輪子。需要注意的是，在大數(shù)據(jù)場(chǎng)景下，Spark MLlib里面部分自帶的算子會(huì)有性能問題(有些直接OOM)，需要分析源碼定位然后修復(fù)。包括我們自己實(shí)現(xiàn)的算子，也都要考量大數(shù)據(jù)場(chǎng)景下這個(gè)問題，這對(duì)于測(cè)試而言是個(gè)Case。

整個(gè)Pipeline的核心是構(gòu)造一個(gè)DAG，解析后，提交給對(duì)應(yīng)的框架來做處理。拋開技術(shù)來說，功能上來說，易用性和快速反饋是Pipeline需要注意的。比如：

所有的算子都應(yīng)該能自動(dòng)獲取到可用的輸入、對(duì)應(yīng)類型，自動(dòng)生成輸出

支持參數(shù)校驗(yàn)，Pipeline完整性校驗(yàn)

支持調(diào)試/快速模式，利用部分Sample data快速驗(yàn)證效果，相當(dāng)于一個(gè)試驗(yàn)功能

日志查看，每個(gè)算子狀態(tài)查看，以及操作完成后的Sample data查看

支持一些變量、SQL書寫，以擴(kuò)展更靈活的功能，比如參數(shù)動(dòng)態(tài)化

支持定時(shí)調(diào)度，任務(wù)狀態(tài)郵件、短袖及時(shí)告警、同步等

05.模型訓(xùn)練

到了模型訓(xùn)練這塊。從功能上來看需要的不是很多，更多是體驗(yàn)上的設(shè)計(jì)。比如參數(shù)在界面上的展示和使用，日志、訓(xùn)練出的Metrics的可視化、交互方式，模型的一些可視化等。核心功能包含這幾塊兒：

1.預(yù)置算法/模型

這里考量的點(diǎn)是：

支持界面手動(dòng)調(diào)參

訓(xùn)練中日志、Metrics的可視化。支持同時(shí)使用不同的參數(shù)多次訓(xùn)練，直觀對(duì)比結(jié)果方便調(diào)參

需要支持常用的框架，如Spark MLlib/Tensorflow/Pytorch，或者一些特定的框架(業(yè)務(wù)方需要的)

預(yù)置算法/模型很簡(jiǎn)單，在不同的框架上封裝一層并且暴露對(duì)應(yīng)的參數(shù)給到用戶即可。有些算法可能框架不支持，這種根據(jù)情況決定如何解決(自己實(shí)現(xiàn)或者其他解決方案)。有一點(diǎn)就是，框架不宜太多，否則在后續(xù)模型發(fā)布的Serving上，也需要多套解決方案。對(duì)于訓(xùn)練本身來說，分為兩種：?jiǎn)误w/單機(jī)訓(xùn)練和分布式訓(xùn)練，分布式訓(xùn)練是訓(xùn)練這塊的大頭(也是技術(shù)難點(diǎn)所在)。

對(duì)于單體/單機(jī)訓(xùn)練的解決方案，和上訴特征處理中的解決方案一致。優(yōu)先使用Kubernetes的Job，或者使用Spark，控制下Executor即可。

對(duì)于分布式訓(xùn)練，目前接觸到的，基本上都是數(shù)據(jù)并行：

分布式機(jī)器學(xué)習(xí)

以Spark為基礎(chǔ)的基本都使用的是PS模式。PS模式一般使用的都是異步更新參數(shù)，每個(gè)Worker只需要和PS通信，所以容錯(cuò)管理上會(huì)更加簡(jiǎn)單。AllReduce模式則是同步的參數(shù)模式，而且每個(gè)Worker都需要上下游通信，相對(duì)而言，容錯(cuò)處理會(huì)更苛刻一些。

Spark系的分布式訓(xùn)練，經(jīng)典的算法可以由Spark MLlib提供。但是其對(duì)于DNN的支持并不好，而且Spark的訓(xùn)練是一個(gè)同步的過程，如果數(shù)據(jù)傾斜的話，整個(gè)訓(xùn)練的速度取決于最慢的RDD。如果要在Spark上跑深度學(xué)習(xí)的模型，一般會(huì)選用其他框架或者基于Spark的框架，如騰訊的Angel、 Intel的BigDL。兩者的思想都是一致的，同屬于PS模式下的分布式訓(xùn)練，整個(gè)流程可以概括為這幾步：

利用Spark來作為任務(wù)調(diào)度、資源分配、數(shù)據(jù)讀取和容錯(cuò)處理的容器

從PS拉取參數(shù)，然后將數(shù)據(jù)和參數(shù)通過JNI喂到底層的框架代碼中去(如Pytorch C++ Frontend)完成訓(xùn)練，返回梯度

使用優(yōu)化算法和梯度，更新參數(shù)，再將新的參數(shù)更新到PS。如此反復(fù)

借用一張Angel的圖：

Angel的圖

順著這個(gè)思路，可以以Spark為基礎(chǔ)，兼容任何深度學(xué)習(xí)框架。只要底層框架：

支持模型/代碼序列化，以支持分發(fā)模型到所有Worker中進(jìn)行本地訓(xùn)練

通過JNI能調(diào)用模型提供的接口，如Forward/Backward

這要比自己造輪子更加便利和友好，畢竟Spark已經(jīng)是一個(gè)成熟的分布式計(jì)算框架了。

如果使用的是Python系的深度學(xué)習(xí)框架有兩點(diǎn)需要注意：

如何讀取分布式存儲(chǔ)上的數(shù)據(jù)以支持?jǐn)?shù)據(jù)并行。也就是Spark里面Partition的概念。當(dāng)然最簡(jiǎn)單的方法，就是將數(shù)據(jù)拆分成塊，不同的節(jié)點(diǎn)讀取不同的數(shù)據(jù)來訓(xùn)練。

另外一點(diǎn)在于容錯(cuò)性，基于Spark的分布式訓(xùn)練的優(yōu)勢(shì)就在于數(shù)據(jù)的分配、容錯(cuò)處理?，F(xiàn)在就得自己去保障這兩點(diǎn)了。

訓(xùn)練部署上面。Spark系的，使用Spark支持的即可(Yarn/Kubernetes/Standalone)。Python系的更傾向于云原生、或者基于Kubernetes的解決方案(自定義Operator是個(gè)比較好的選擇)，這里有個(gè)為云原生和容器化而生的框架：Polyaxon，值得一試。

2. 自定義算法

關(guān)于自定義算法，個(gè)人更傾向于將這個(gè)功能放在Notebook中而不是界面化的操作上，因?yàn)檫@個(gè)功能的自由度很高，允許用戶自己寫代碼。平臺(tái)其實(shí)只需要提供：

數(shù)據(jù)讀取能力，這里包括源數(shù)據(jù)、平臺(tái)內(nèi)生成的數(shù)據(jù)

NFS/OSS使用Mount形式或者API提供(如Databricks 的DBFS)

HDFS系列的API提供支持(如提供pyspark)

調(diào)度能力，能根據(jù)需求調(diào)度起任務(wù)。

以上兩者功能，都或多或少依賴于SDK/API/CLI?？梢詤⒖即髲S的實(shí)現(xiàn)Amazon SageMaker、Databricks Notebooks。

另外一點(diǎn)是GPU的支持，這點(diǎn)，如果是選擇Kubernetes作為基礎(chǔ)設(shè)施，是有基本的功能支持的，利用Extended Resource(ER)配合 Device plugin體系：

Extended Resource(ER)配合 Device plugin體系

對(duì)于Hadoop體系的話，3.1.X之后也是支持的。

這兩者對(duì)于GPU的支持都非常有限，都是處于一個(gè)能用，但是不好用的狀態(tài)。使用的時(shí)候，淌坑可能在所難免。

3. AutoML

關(guān)于AutoML這塊。目前還沒有太多的接觸。從我看來，做個(gè)簡(jiǎn)單的隨機(jī)搜索還是問題不大的，集成算法來自動(dòng)調(diào)參、自動(dòng)構(gòu)建模型也是不難的。就跟上訴集成算法進(jìn)來是一樣的。唯一考量的是，集成那些算法進(jìn)來以及計(jì)算資源的考量，尤其是深度學(xué)習(xí)大行其道的今天，類似于隨機(jī)搜索這樣耗費(fèi)的資源是巨大的。如何設(shè)計(jì)這個(gè)功能，以及具體實(shí)現(xiàn)還是需要非常專業(yè)的領(lǐng)域知識(shí)。

總的來說，模型訓(xùn)練這塊。是一個(gè)很偏技術(shù)的功能。完成一個(gè)Demo的端到端，實(shí)現(xiàn)基本的功能很簡(jiǎn)單。但是要做到好用、穩(wěn)定性這兩點(diǎn)就并不那么容易。尤其是分布式機(jī)器學(xué)習(xí)這一塊兒，還是需要不斷淌坑的。

06.模型發(fā)布

終于來到最后一步，是整個(gè)平臺(tái)產(chǎn)生價(jià)值的最后一環(huán)。模型發(fā)布，通常包含兩種發(fā)布：

發(fā)布成API(RESTful/gRPC)，以供業(yè)務(wù)側(cè)實(shí)時(shí)調(diào)用。這類服務(wù)通常對(duì)于性能要求苛刻

發(fā)布成批處理形式，用于批處理數(shù)據(jù)，上述標(biāo)注平臺(tái)中的預(yù)標(biāo)注屬于此類任務(wù)

對(duì)于批處理形式的發(fā)布，較為簡(jiǎn)單。一般框架本身都支持模型的序列化和加載做預(yù)測(cè)：

Spark系的就依舊走原始路線，提交Spark Job，做批處理預(yù)測(cè)

TensorFlow類似的，配合不同的鏡像環(huán)境，Mount模型，讀取數(shù)據(jù)，配合Kubernetes Job的方式來啟動(dòng)批處理達(dá)到一個(gè)統(tǒng)一的處理流程

對(duì)于實(shí)時(shí)推理服務(wù)，于平臺(tái)而言，能使用通用的框架/技術(shù)來做那當(dāng)然是極好的。然鵝，現(xiàn)實(shí)很殘酷。通用的解決方案，要么性能不夠(如MLeap)，要么支持的算子/操作/輸入有限(如ONNX。想要在真正的業(yè)務(wù)場(chǎng)景下發(fā)揮價(jià)值都是需要淌坑的。用的更多的，往往都是性能領(lǐng)域強(qiáng)悍的C/C++/RUST來實(shí)現(xiàn)，比如自研、或者框架本身自帶的(如TensorFlow的Serving)，會(huì)更能滿足性能需求。平臺(tái)選用的框架最好是不要太多，這樣做Serving會(huì)比較麻煩，不同的框架都要去找解決方案實(shí)現(xiàn)一遍。

雖然做不到通用的模型Serving方案，但是通用的模型發(fā)布、提供服務(wù)的平臺(tái)卻是可以做到的。這是這部分的重點(diǎn)，即如何設(shè)計(jì)一個(gè)通用的推理平臺(tái)。一個(gè)推理平臺(tái)需要考量的點(diǎn)如下所示：

支持各種框架，多語言、多環(huán)境

模型版本管理

API安全性

可用性、可擴(kuò)展性，服務(wù)狀態(tài)監(jiān)控、動(dòng)態(tài)擴(kuò)容

監(jiān)控、告警，日志可視化

灰度上線/AB Testing

把Serving看做是普通的Web服務(wù)。對(duì)于上訴的點(diǎn)，Kubernetes體系是絕佳的選擇：

鏡像，配合NFS的模型，啟動(dòng)時(shí)Mount再復(fù)制到容器內(nèi)部?？梢灾С侄嗾Z言、多環(huán)境

版本管理，每個(gè)版本在NFS上創(chuàng)建新的版本目錄，比如0.0.1，放入對(duì)應(yīng)的模型和啟動(dòng)腳本配合一個(gè)Service。這樣就允許不同版本的Service同時(shí)在線，或者部分在線

API安全性，與Kubernetes本身無關(guān)。簡(jiǎn)單的做法是為每個(gè)API生成對(duì)應(yīng)的調(diào)用Token來做鑒權(quán)，或者使用API網(wǎng)關(guān)來做

可用性、可擴(kuò)展性。利用Kubernetes原生的Liveness/Readness probe，可以檢測(cè)單個(gè)Pod中服務(wù)的狀態(tài)。使用Kubernetes的HPA、或者自己實(shí)現(xiàn)監(jiān)控再配合Autoscale可以滿足需求，而且這些都可以成為一些配置暴露給用戶

監(jiān)控、告警?？梢訮rometheus+Grafana+Alertmanager三件套，或者配合企業(yè)內(nèi)部的運(yùn)維體系

交給Istio即可?；叶劝l(fā)布肯定妥妥的，利用一些Cookie/Header來做分流到不同版本的服務(wù)也可以做到部分AB Testing的事情

由于Serving服務(wù)與服務(wù)之間是沒有關(guān)系的，是一個(gè)無狀態(tài)的單體服務(wù)。對(duì)于單體服務(wù)的各種處理就會(huì)比較簡(jiǎn)單。比如不使用Kubernetes，使用AWS云的EC2來部署，配合Auto Scaling、CloudWatch等也是非常簡(jiǎn)單的。

07. Addons

除開上訴的核心功能。一般來說，機(jī)器學(xué)習(xí)平臺(tái)還有一些擴(kuò)展。最經(jīng)典的當(dāng)屬CLI和SDK了。

CLI就不用多說了，主要提供快捷入口?？梢詤⒖糀WS的CLI。需要包含的點(diǎn)主要是：

提供基本的操作功能，滿足用戶的使用

以及導(dǎo)入導(dǎo)出功能。方便用戶共享配置、快速創(chuàng)建和使用平臺(tái)的功能

支持多環(huán)境、認(rèn)證

完善的操作使用文檔、幫助命令、模板文件等

對(duì)于SDK這塊，需要和平臺(tái)本身的功能做深度集成；同時(shí)，還需要一定的靈活性。比如上訴的自定義算法，用戶可以在Notebook里面讀取平臺(tái)生成的數(shù)據(jù)集，寫完代碼后，還得支持提交分布式訓(xùn)練。既要集成平臺(tái)功能，又得支持一定程度的自定義，如何設(shè)計(jì)會(huì)是一個(gè)難點(diǎn)。

08.探索實(shí)驗(yàn)(Notebook)

Notebook本身功能并不復(fù)雜。實(shí)質(zhì)上就是對(duì)Jupyter Notebook/JupyterLab等的包裝。通常的做法是使用Kubernetes的Service，啟動(dòng)一個(gè)Notebook。以下幾點(diǎn)是需要考量的：

存儲(chǔ)要能持久化，需要引入類似于NFS這樣的持久目錄以供用戶使用

內(nèi)置Demo，如讀取平臺(tái)數(shù)據(jù)、訪問資源、提交任務(wù)

預(yù)置不同的鏡像，支持不同的框架，以及CPU/GPU訴求用于啟動(dòng)不同的Notebook

安全問題，一個(gè)是Notebook本身的安全。另一個(gè)是容器本身的安全

有可用的安全源，以供用戶安裝和下載一些包和數(shù)據(jù)

能夠訪問到基礎(chǔ)設(shè)施里面的數(shù)據(jù)，Mount/API

最好能有Checkpoint機(jī)制，不用的時(shí)候回收資源。需要的時(shí)候再啟動(dòng)，但環(huán)境不變

大致的解決思路如下：

持久化需要Mount存儲(chǔ)。Storage class可以幫助

Notebook自身的安全，可以在里面增加Handler或者外面配置一層Proxy來鑒權(quán)。容器的安全大概有這幾點(diǎn)需要考量(要做到更嚴(yán)格還有很多可以深挖)：

限制容器內(nèi)部用戶的權(quán)限

開啟SELinux

Docker的—cap-add/—cap-drop

heckpoint機(jī)制的實(shí)現(xiàn)，數(shù)據(jù)已經(jīng)持久化在外部存儲(chǔ)了。只需要Save新的鏡像，作為下次啟動(dòng)的鏡像即可，可使用Daemonset+Docker in dokcer的形式做一個(gè)微服務(wù)來提交鏡像。

09. 平臺(tái)的基石

這一節(jié)主要討論的是做平臺(tái)一定繞不開的問題。首先逃脫不了的是多租戶問題：

可能要和已有的系統(tǒng)進(jìn)行集成。而不是新開發(fā)

租戶間權(quán)限、數(shù)據(jù)隔離

租戶資源配額、任務(wù)優(yōu)先級(jí)劃分

技術(shù)上來說，系統(tǒng)自身的租戶功能難度不高。主要是數(shù)據(jù)、資源隔離這塊。要看對(duì)應(yīng)的基礎(chǔ)設(shè)施：

Hadoop可以使用Keberos

Kubernetes可以使用Namespace

再配合不同的調(diào)度隊(duì)列。即可完成需求。

另外一點(diǎn)是偏技術(shù)層面的調(diào)度功能。這可以算是整個(gè)平臺(tái)運(yùn)行的基礎(chǔ)，無論是數(shù)據(jù)處理還是模型訓(xùn)練、模型部署都依賴于此， 調(diào)度系統(tǒng)分為兩塊：

調(diào)度本身，即如何調(diào)度不同的任務(wù)到不同的基礎(chǔ)設(shè)施上

狀態(tài)管理，有些任務(wù)可能存在依賴關(guān)系，會(huì)觸發(fā)不同的Action。這也是一個(gè)狀態(tài)機(jī)的問題

狀態(tài)管理這塊，業(yè)務(wù)場(chǎng)景不復(fù)雜的情況下自己實(shí)現(xiàn)即可。一般平臺(tái)上也沒有太復(fù)雜的依賴關(guān)系，經(jīng)典的模型訓(xùn)練也不過單向鏈路而已。如果過于復(fù)雜，可以考慮其他開源任務(wù)編排工具：

狀態(tài)管理

調(diào)度本身是一個(gè)任務(wù)隊(duì)列+任務(wù)調(diào)度組合而成。隊(duì)列用啥都可以，數(shù)據(jù)庫也可以。只要能保證多個(gè)Consumer的數(shù)據(jù)一致性即可。任務(wù)調(diào)度，如果不考慮用戶的感受，可以直接丟給對(duì)應(yīng)的基礎(chǔ)設(shè)施，如Yarn/Kubernetes都可以。由這些基礎(chǔ)設(shè)施來負(fù)責(zé)調(diào)度和管理，這樣最簡(jiǎn)單。

如果想做的盡善盡美，那還是需要維護(hù)一個(gè)資源池。同步基礎(chǔ)設(shè)施的使用情況，然后根據(jù)剩余資源和任務(wù)優(yōu)先級(jí)來做調(diào)度。

狀態(tài)更新方面。對(duì)于Yarn體系，只能通過API去輪詢狀態(tài)、獲取日志。

對(duì)于Kubernetes體系，推薦一個(gè)Informer機(jī)制，通過List&Watch機(jī)制可以方便、快速獲取整個(gè)集群的情況：

Custom Controller

關(guān)于如何提交任務(wù)到基礎(chǔ)設(shè)施：

Spark/Yarn - 直接API、包裝下命令行者Livy都可

Kubernetes - SDK

10.最終Boss

做平臺(tái)，最怕的是什么？當(dāng)然不是某某技術(shù)太過于復(fù)雜，攻克不下。而是沒有用戶使用平臺(tái)，或者不能通過平臺(tái)產(chǎn)生真實(shí)業(yè)務(wù)價(jià)值，這才是最重要的。有某一業(yè)務(wù)場(chǎng)景在平臺(tái)實(shí)現(xiàn)端到端產(chǎn)生價(jià)值，才能證明這個(gè)平臺(tái)的價(jià)值，才能吸引其他用戶來使用。

對(duì)于用戶來說，一般都已經(jīng)有自己成熟的技術(shù)線。想要他們往平臺(tái)上遷移，實(shí)屬不易，除非已有系統(tǒng)滿足不了他們的需求、或者已有系統(tǒng)不好用。畢竟，自己用的好好的系統(tǒng)，遷移是需要耗時(shí)耗力的，用別人的東西也沒有自己做來的靈活；學(xué)習(xí)一個(gè)新的系統(tǒng)使用也是如此，有可能一開始用著并不習(xí)慣。此外，新的系統(tǒng)，沒有人期望第一個(gè)來當(dāng)小白鼠的。有這么多缺點(diǎn)，當(dāng)然平臺(tái)本身也有其優(yōu)點(diǎn)。比如將基礎(chǔ)設(shè)施這塊甩給了第三方，不用去關(guān)注底層的東西，只要關(guān)注自己的業(yè)務(wù)了。

事實(shí)上的流程往往都是，隨著平臺(tái)MVP的發(fā)布。部分用戶開始上來試用，然后提各種想法和需求；緊接著，會(huì)逐漸遷移部分功能上來試用，比如搞些數(shù)據(jù)上來跑跑Demo，看看訓(xùn)練的情況等。同時(shí)，在這個(gè)階段，就會(huì)需要各種適配用戶原始的系統(tǒng)了，比如原始數(shù)據(jù)導(dǎo)入與現(xiàn)有系統(tǒng)不兼容，需要格式的轉(zhuǎn)換；再比如只想用平臺(tái)的部分功能，想集成到自己現(xiàn)有的系統(tǒng)中等。最后才是，真正的在平臺(tái)上使用。想要用戶能端到端的使用平臺(tái)，來完成他們的業(yè)務(wù)需求，還是需要漫長的過程的。

相對(duì)而言，至上而下的推動(dòng)往往更為有效。總有一批人要先來體驗(yàn)、先來淌坑，給出建議和反饋。這樣這個(gè)平臺(tái)才會(huì)越來越好，朝好的地方發(fā)展。而不是一開始上來就堆功能，什么炫酷搞什么、大而全。但是在用戶使用上，易用性和穩(wěn)定性并不好，或者是并不能解決用戶的需求和難點(diǎn)。那這種平臺(tái)是活不下去的。
fqj