从机器学习定义的灵活性和学习算法的可扩展性，对解释器+管道过滤器+隐式调用进行对比分析！

• 解释器：机器学习流程定义的灵活性高， 学习算法的可扩展性强。因为解释器风格可以通过自定义流程规则及配套流程解释引擎开发，做到用户层面的流程完全定义，而不需要修改代码，所以无论是修改已有的业务流程，还是要扩展不同的角色，创建新角色的流程都非常便利。解释器按照输入输出格式将学习算法封装为组件，通过解释器机制动态增加或删除算法组件，并支持动态调用，学习算法的可扩展性强。
• 管道过滤器： 机器学习流程定义的灵活性低， 学习算法的可扩展性弱。 因为管道过滤器是把数据处理职能做成过滤器，把数据传递做成管道，此时如果流程不发生变化，是可以通过这种方式实现的，但一旦流程变化，或是扩展功能，需要对过滤器进行修改调整，或是流程在程序层面重建，此时必须修改代码完成任务。管道过滤器按照输入输出格式将学习算法封装为组件，如果需要增加或删除组件，需要停止平台并进行重新部署， 学习算法的可扩展性弱。
• 隐式调用：机器学习流程定义的灵活性一般， 学习算法的可扩展性一般。 隐式调用强调的是通过间接方式进行调用ÿ