2018年机器学习趋势与Apache Kafka生态系统相结合

在慕尼黑举行的OOP 2018大会上，我介绍了有关使用Apache Kafka生态系统和诸如TensorFlow，DeepLearning4J或H2O之类的深度学习框架构建可扩展，关键任务微服务的演讲的更新版本。我想分享更新后的幻灯片，并讨论一些有关最新趋势的更新，这些我已纳入演讲中。

主要故事与我在Confluent博客中有关Apache Kafka生态系统和机器学习的文章相同 ：如何使用Apache Kafka在生产中构建和部署可扩展机器学习。但是我更专注于深度学习/神经网络。我还讨论了Apache Kafka生态系统中的一些创新以及最近几个月的ML趋势： Uber和Netflix的KSQL，ONNX，AutoML，ML平台 。让我们看一下这些有趣的主题，以及它们之间的关系。

KSQL –一种Apache Kafka之上的流SQL语言。

“ KSQL是Apache Kafka的流SQL引擎 。 KSQL将入口栏放到了流处理领域，提供了一个简单且完全交互的SQL接口来处理Kafka中的数据。您不再需要使用Java或Python之类的编程语言编写代码！ KSQL是开源的（Apache 2.0许可的），分布式的，可伸缩的，可靠的和实时的。它支持各种强大的流处理操作，包括聚合，联接，窗口，会话化等等。” 此处有更多详细信息：“ KSQL简介：Apache Kafka的开源流SQL ”。

您可以编写类似SQL的查询来部署可扩展的，关键任务流处理应用程序（在后台利用Kafka Streams）。绝对是Kafka开源生态系统中的一大亮点。

KSQL和机器学习

KSQL建立在Kafka Streams之上，因此允许构建可扩展的，关键任务服务。通过构建用户定义功能（UDF），可以轻松嵌入包括神经网络在内的机器学习模型。这些天，我正在准备一个示例，其中我将神经网络（更准确地说是自动编码器）应用于传感器分析，以实时检测医院客人的异常情况（即健康检查中的关键值），从而向医生发送警报。

现在让我们讨论一下机器学习生态系统中一些有趣的新发展。

ONNX –一种表示深度学习模型的开放格式

“ ONNX 是代表深度学习模型的开放格式 。借助ONNX，AI开发人员可以更轻松地在最先进的工具之间移动模型，并选择最适合他们的组合。”

这听起来类似于PMML （预测模型标记语言，请参阅KDnuggets上的“ What is PMML ”）和PFA （便携式分析格式），这是另外两个定义和共享机器学习模型的标准。但是，ONNX在以下几个方面有所不同：

专注于深度学习
背后有多家大型科技公司（AWS，Microsoft，Facebook）和硬件供应商（AMD，NVidia，Intel，Qualcomm等）
已经支持许多领先的开源框架（包括TensorFlow，Pytorch，MXNet）

ONNX已经在GA 1.0版中投入使用，并且已经可以量产 （如Amazon，Microsoft和Facebook在2017年12月宣布的那样）。对于不同的框架，还有一个不错的入门指南。

ONNX和Apache Kafka生态系统

不幸的是， ONNX还没有Java支持。因此，尚不支持将其本身嵌入到Kafka Streams Java API中。仅通过诸如执行REST调用或嵌入JNI绑定之类的解决方法。但是我非常确定这只是时间问题，因为Java平台在许多企业中部署关键任务应用程序非常重要。

现在，您可以使用Kafka的Java API或其他Kafka客户端。 Confluent为几种编程语言（例如Python或Go）提供了官方客户，这两种语言也非常适合机器学习应用程序。

自动化机器学习（aka AutoML）

如前所述，“自动机器学习（AutoML）是一个热门领域，其目标是使人们能够轻松选择不同的机器学习算法，其参数设置以及提高其检测大数据中复杂模式能力的预处理方法。” 在这里。

使用AutoML，您无需任何有关机器学习的知识就可以构建分析模型。 AutoML实现使用决策树，聚类，神经网络等的不同实现来开箱即用地构建和比较不同的模型。您只需上传或连接历史数据集，然后单击一些按钮即可开始该过程。可能不是每个用例都完美，但是您可以轻松地改进许多现有流程，而无需稀有且昂贵的数据科学家。

DataRobot或Google的AutoML是该领域许多知名的云产品中的两种。 H2O的AutoML已集成到其开源ML框架中，但它们还提供了一个很好的以UI为中心的商业产品，称为“ 无人驾驶AI ”。我强烈建议您在任何AutoML工具上花费30分钟。看到AI工具如今如何发展真是令人着迷。

AutoML和Apache Kafka生态系统

大多数AutoML工具都提供其模型的部署。您可以通过REST接口访问分析模型。对于可扩展的事件驱动架构（如Kafka）而言，并不是一个完美的解决方案。好消息： 许多AutoML解决方案还允许导出其生成的模型，以便您可以将其部署到应用程序中 。例如，H2O开源框架中的AutoML只是众多选择之一。您只能以您选择的编程语言（R，Python，Scala，Web UI）使用其他操作：

aml <- h2o.automl(x = x, y = y,training_frame = train,leaderboard_frame = test,max_runtime_secs = 30)

与构建线性回归，决策树或神经网络类似。结果是生成的Java代码，您可以轻松地将它们嵌入到Kafka Streams微服务或任何其他Kafka应用程序中。 AutoML使您能够构建和部署高度可扩展的机器学习，而无需掌握ML的丰富知识。

Netflix的介子

科技巨头通常比“传统企业”领先几年。他们已经在几年前建造了今天或明天建造的建筑。 ML平台没有区别。编写ML源代码以训练分析模型只是现实世界ML基础结构的一小部分。您需要考虑整个开发过程。下图显示了“ 机器学习系统中的隐藏技术债务 ”：

您可能会使用不同的技术构建多个分析模型。并非所有内容都将构建在您的Spark或Flink群集或单个云基础架构中。您可以在公共云中的某个大型，昂贵的GPU上运行TensorFlow，以构建强大的神经网络。或者使用H2O来构建一些小的但非常高效且高性能的决策树，这些决策树会在几微秒内完成推理……ML有许多用例。

这就是为什么许多科技巨头都建立了自己的ML平台的原因，例如Uber的Michelangelo或Netflix的Meson 。这些ML平台使他们能够构建和监视强大的，可扩展的分析模型，而且还可以保持灵活性以针对每种用例选择正确的ML技术。

适用于ML平台的Apache Kafka生态系统

Apache Kafka如此成功的原因之一是许多科技巨头的广泛采用。几乎所有伟大的硅谷公司，如LinkedIn，Netflix，Uber，Ebay，都是“ you-name-it”博客，并谈论了它们如何将Kafka用作关键任务应用程序的事件驱动中枢神经系统。许多人将重点放在用于消息传递的分布式流平台上，但我们也看到越来越多的插件被采用，例如Kafka Connect，Kafka Streams，REST Proxy，Schema Registry或KSQL。

如果您再次看一下上面的图片，请考虑一下Kafka：它不是ML平台的理想选择吗？培训，监控，部署，推理，配置，A / B测试等，等等。这可能就是为什么Uber，Netflix和许多其他公司已经将Kafka用作其ML基础结构的核心组件的原因。

同样，您不必被迫仅使用一种特定技术。 Kafka的伟大设计概念之一是，您可以一次又一次地从其分布式提交日志中重新处理数据。这意味着您既可以使用Kafka Sink（例如Apache Flink或Spark）的一种技术构建不同的模型，也可以连接scikit-learn等进行本地测试的技术，在Google Cloud GPU上运行的TensorFlow进行强大的深度学习以及内部安装适用于AutoML的H2O节点，以及部署在Docker容器或Kubernetes中的其他一些Kafka Streams ML应用。所有这些ML应用程序都按照其速度和需要的频率并行使用数据。

这是一个很好的示例，说明如何使用Kafka和Kafka Streams自动进行可伸缩ML微服务的培训和部署。无需添加另一个大数据集群。这是在您的ML应用程序中使用Kafka Streams或KSQL而不是其他Stream Processing框架的主要区别之一。