北京2021年3月23日 /美通社/ -- 在數(shù)字化轉(zhuǎn)型戰(zhàn)略持續(xù)落地的今天,大數(shù)據(jù)分析與人工智能已成為各個行業(yè)挖掘數(shù)據(jù)價值、推動業(yè)務(wù)轉(zhuǎn)型升級的重要方式,但傳統(tǒng)的大數(shù)據(jù)平臺與人工智能平臺通常彼此獨(dú)立,構(gòu)建一種從數(shù)據(jù)采集、數(shù)據(jù)預(yù)處理到模型訓(xùn)練與推理的高效流程,經(jīng)常存在基礎(chǔ)設(shè)施成本高、效率低下等一系列問題。
為了更好解決大數(shù)據(jù)分析與AI融合在開發(fā)和部署方面帶來的諸多疑難,浪潮云海Insight產(chǎn)品構(gòu)建了端到端的智能計算解決方案,旨在將大數(shù)據(jù)預(yù)處理、模型訓(xùn)練、模型推理與現(xiàn)有的數(shù)據(jù)處理工作流整合起來,基于傳統(tǒng)大數(shù)據(jù)分析平臺中的各種框架模型來簡化和加速人工智能業(yè)務(wù)的開發(fā)。
這個挑戰(zhàn)很嚴(yán)峻:傳統(tǒng)分析模式難以高效“回應(yīng)”分布式端到端數(shù)據(jù)分析
通常傳統(tǒng)的人工智能學(xué)習(xí)框架與大數(shù)據(jù)分析平臺之間存在斷層,人工智能平臺由于不具備多元的數(shù)據(jù)接入及預(yù)處理能力,往往依賴外部(大數(shù)據(jù)平臺)預(yù)處理過的數(shù)據(jù)集進(jìn)行分析;而傳統(tǒng)大數(shù)據(jù)平臺也沒有更多考量AI因素,自然難以為AI應(yīng)用提供敏捷、高效的基礎(chǔ)設(shè)施支持?;诖耍粋€從無到有的AI應(yīng)用場景搭建,往往面臨如下困難:
打造端到端智能計算解決方案:大數(shù)據(jù)與AI分析平臺要統(tǒng)一
大數(shù)據(jù)生態(tài)中,Apache Spark作為專為大規(guī)模數(shù)據(jù)處理而設(shè)計的計算引擎,其本身提供了很多Data Storage支持,可幫助操作者方便讀取HDFS、Parquet、Avro和HBase等格式;同時也提供了大量有用的API來完成數(shù)據(jù)的ETL、特征提取以及數(shù)據(jù)清洗等工作,還可以利用Spark MLlib完成一些傳統(tǒng)機(jī)器學(xué)習(xí)工作等。
而端到端的智能計算組件Analytics Zoo則可將Spark及AI生態(tài)中的TensorFlow、Keras 、BigDL等無縫整合到一個集成管道中,透明擴(kuò)展至資源管理YARN集群,可便捷地將人工智能應(yīng)用從單機(jī)擴(kuò)展到大型集群,直接處理大規(guī)模生產(chǎn)環(huán)境中的數(shù)據(jù)并進(jìn)行分布式訓(xùn)練或推理,如此看來端到端的智能計算解決方案并不是重新開發(fā)各個組件,而是擁抱現(xiàn)有的開源生態(tài)。
此外Analytics Zoo 還為開發(fā)人員和用戶提供了多種分析和人工智能工具,以便更好地為端到端流水線提供支持,主要包括:簡單易用的抽象層,例如Spark DataFrame 和 ML 流水線支持、遷移學(xué)習(xí)支持以及服務(wù) API 的 POJO 式模型等;面向圖像、文本和 3D 圖像的常用特征工程操作;內(nèi)置的深度學(xué)習(xí)模型,例如文本分類、推薦和對象檢測;內(nèi)置參考用例,例如時間序列異常檢測、欺詐檢測和圖像相似性搜索等。
如此形成的智能計算解決方案可以統(tǒng)一大數(shù)據(jù)與AI分析平臺,幫助用戶將數(shù)據(jù)存儲、數(shù)據(jù)處理以及訓(xùn)練推理的流水線整合到一套基礎(chǔ)設(shè)施中,大幅提升方案的部署效率、資源利用率和系統(tǒng)的可擴(kuò)展性,以此減少管理以及運(yùn)維成本。
不斷探索:浪潮云海Insight關(guān)于“端到端智能計算”的實(shí)踐
作為面向海量數(shù)據(jù)存儲、計算、挖掘的一站式企業(yè)級大數(shù)據(jù)解決方案,浪潮云海Insight大數(shù)據(jù)平臺從用戶需求出發(fā)并結(jié)合業(yè)務(wù)場景,對端到端智能計算進(jìn)行方案性POC及驗(yàn)證,最終在平臺中將其技術(shù)產(chǎn)品化,包括智能計算相關(guān)組件的一鍵安裝部署、可視化運(yùn)維、交互式智能數(shù)據(jù)分析體驗(yàn)以及端到端AI流式推理等。
通過簡化大數(shù)據(jù)分析和人工智能的融合開發(fā)與部署,構(gòu)建端到端的數(shù)據(jù)分析和深度學(xué)習(xí)應(yīng)用流水線,進(jìn)而打造統(tǒng)一的大數(shù)據(jù)分析和人工智能平臺,為用戶提供了更優(yōu)質(zhì)的體驗(yàn)。
該方案基于大數(shù)據(jù)HDFS存儲、Spark/Flink等計算以及Yarn資源調(diào)度來運(yùn)行,將數(shù)據(jù)預(yù)處理、模型訓(xùn)練、模型推理等通過Analytics Zoo構(gòu)建在大數(shù)據(jù)平臺上,提供大數(shù)據(jù)分析和深度學(xué)習(xí)應(yīng)用流水線,避免數(shù)據(jù)的反復(fù)遷移。
用戶可以便捷地將AI應(yīng)用部署到現(xiàn)有的 YARN 集群,在“零”代碼更改的前提下將AI應(yīng)用程序透明地擴(kuò)展到大型集群,顯著節(jié)約企業(yè)在開發(fā)、優(yōu)化平臺等方面的時間與精力,具體可以達(dá)到:
重要的一點(diǎn),得益于浪潮云海Insight大數(shù)據(jù)平臺在性能、數(shù)據(jù)管理、統(tǒng)一運(yùn)維等方面的優(yōu)勢,以及對于Analytics Zoo的融合,該端到端智能計算解決方案如今能夠成功幫助政府、金融和互聯(lián)網(wǎng)等客戶構(gòu)建高效、敏捷的大數(shù)據(jù)分析與人工智能平臺,助力數(shù)字化轉(zhuǎn)型。
伴隨大數(shù)據(jù)與人工智能的蓬勃發(fā)展,數(shù)智結(jié)合已成為大數(shù)據(jù)技術(shù)發(fā)展的必然趨勢。浪潮云海Insight將從數(shù)智深度融合的角度出發(fā),繼續(xù)加強(qiáng)端到端的大數(shù)據(jù)分析和人工智能的創(chuàng)新發(fā)展,為用戶提供更優(yōu)秀的解決方案。