簡介：?作者 | 秦江杰

?
去年11月的 Flink Forward Asia 2019 上Flink 社區(qū)提出了未來發(fā)展的幾個主要方向，其中之一就是擁抱AI [1]。實際上，近年來AI 持續(xù)火熱，各種計算框架、模型和算法層出不窮，從某種角度上來說，這個賽道已經(jīng)有些擁擠了。在這種情況下， Flink將怎樣擁抱AI，又會為用戶帶來什么新的價值？Flink AI 的優(yōu)劣勢分別在哪里？本文將通過對這些問題的討論來分析Flink AI 的發(fā)展方向。

Lambda架構(gòu)，流批統(tǒng)一和AI實時化

Flink 在AI 中的價值其實和大數(shù)據(jù)中Lambda架構(gòu) [2]和流批統(tǒng)一這兩個概念有關(guān)系，Flink為大數(shù)據(jù)實時化帶來的價值也將同樣使AI受益。

不妨讓我們簡單回顧一下大數(shù)據(jù)的發(fā)展過程。從Google奠基性的“三架馬車” 3[5] 論文發(fā)表后的很長一段時間內(nèi)，大數(shù)據(jù)的發(fā)展主線上都只有批計算的身影。后來隨著大家認識到數(shù)據(jù)時效性的重要作用，Twitter 開源的流計算引擎Storm [6] 紅極一時，各種流計算引擎也紛紛登場，其中也包括了Flink。由于成本、計算準確性和容錯性等方面的考慮，各家企業(yè)紛紛使用起了被稱為Lambda架構(gòu)的解決方案，在同一個架構(gòu)下融合批計算和流計算，以便在成本，容錯和數(shù)據(jù)時效性之間達到一個平衡。

Lambda架構(gòu)在解決數(shù)據(jù)時效性的同時也存在一些問題，其中最受詬病的就是其系統(tǒng)復雜度和可維護性。用戶需要為Batch Layer 和 Speed Layer 各維護一套引擎和代碼，還需要保證二者之間的計算邏輯完全一致（圖1）。

圖1

為了解決這個問題，各個計算引擎不約而同的開始了流批統(tǒng)一的嘗試，試圖使用同一套引擎來執(zhí)行流和批的任務（圖2）。經(jīng)過若干年的大浪淘沙，Spark [7] 和Flink成為了目前處于第一梯隊的兩款主流計算引擎。Flink 是從流計算逐漸進入到批計算，一個非常典型的成功案例就是使用同一套標準的SQL語句對流和批進行查詢，并保證最終結(jié)果一致性[8]。而Spark 則是采用微批 (Micro Batch) 的方式從批計算進入到流計算提出了Spark Streaming，但是在時延的表現(xiàn)上始終遜色一些。

圖2

可以看到，在大數(shù)據(jù)的發(fā)展過程中，Lambda架構(gòu)和流批一體背后的原始驅(qū)動力是數(shù)據(jù)實時化。同樣是向數(shù)據(jù)要價值，AI對數(shù)據(jù)時效性的要求同大數(shù)據(jù)是一致的。因此AI實時化也將會是一個重要的發(fā)展方向。在觀察目前主流的AI場景和技術(shù)架構(gòu)時，我們也會發(fā)現(xiàn)它們與大數(shù)據(jù)平臺有很多聯(lián)系和相似之處。

目前的 AI大致可以分為數(shù)據(jù)預處理（也稱數(shù)據(jù)準備/特征工程等），模型訓練和推理預測三個主要階段。下面我們逐一來看一看在每個階段中AI實時化需求有哪些，又有什么樣的問題待解決。為了便于與大數(shù)據(jù)的架構(gòu)做類比，我們姑且認為流計算和批計算作為一種計算類型的劃分維度已經(jīng)將所有基于數(shù)據(jù)的計算一分為二，沒有遺漏了。AI的各個階段根據(jù)場景不同，也可以歸為二者之一。

數(shù)據(jù)預處理（數(shù)據(jù)準備/特征工程）

數(shù)據(jù)預處理階段是模型訓練和推理預測的前置環(huán)節(jié)，很多時候它更多的是一個大數(shù)據(jù)問題。根據(jù)數(shù)據(jù)預處理后的下游不同，數(shù)據(jù)預處理可能是批計算也可能是流計算，計算類型和下游一致。在一個典型的離線訓練（批計算）和在線預測（流計算）場景下，訓練和預測時要求產(chǎn)生輸入數(shù)據(jù)的預處理邏輯是一致的（比如相同的樣本拼接邏輯），這里的需求和Lambda架構(gòu)中的需求一樣，因此一個流批統(tǒng)一的引擎會格外有優(yōu)勢。這樣可以避免批作業(yè)和流作業(yè)使用兩個不同的引擎，省去了維護邏輯一致的兩套代碼的麻煩。

模型訓練

目前而言AI訓練階段基本上是批計算（離線訓練）產(chǎn)生靜態(tài)模型（Static Model）的過程。這是因為目前絕大多數(shù)的模型是基于獨立同分布（IID）的統(tǒng)計規(guī)律實現(xiàn)的，也就是從大量的訓練樣本中找到特征和標簽之間的統(tǒng)計相關(guān)性（Correlation），這些統(tǒng)計相關(guān)性通常不會突然變化，因此在一批樣本上訓練出的數(shù)據(jù)在另一批具有相同的特征分布的樣本上依然適用。然而這樣的離線模型訓練產(chǎn)生的靜態(tài)模型依然可能存在一些問題。

首先樣本數(shù)據(jù)可能隨著時間推移會發(fā)生分布變化，這種情況下，在線預測的樣本分布和訓練樣本的分布會產(chǎn)生偏移，從而使模型預測的效果變差。因此靜態(tài)模型通常需要重新訓練，這可以是一個定期過程或者通過對樣本和模型的預測效果進行監(jiān)控來實現(xiàn)（注意這里的監(jiān)控本身其實是一個典型的流計算需求）。

另外，在有些場景下，預測階段的樣本分布可能無法在訓練階段就知曉。舉例來說，在阿里雙十一，微博熱搜，高頻交易等這類樣本分布可能發(fā)生無法預測的分布改變的場景下，如何迅速更新模型來得到更好的預測結(jié)果是十分有價值的。

因此一個理想的AI計算架構(gòu)中，應該把如何及時更新模型納入考慮。在這方面流計算也有著一些獨特的優(yōu)勢。事實上，阿里巴巴在搜索推薦系統(tǒng)中已經(jīng)在使用在線機器學習，并且在雙十一這樣的場景下取得了良好的效果。

推理預測

推理預測環(huán)節(jié)的環(huán)境和計算類型比較豐富，既有批處理（離線預測）又有流處理。流式預測又大致可以分為在線 (Online) 預測和近線 (Nearline) 預測。在線預測通常處于用戶訪問的關(guān)鍵鏈路(Critical Path中)，因此對latency的要求極高，比如毫秒級。而近線預測要求略低一些，通常在亞秒級到秒級。目前大多數(shù)純流式分布式計算（Native Stream Processing）引擎可以滿足近線數(shù)據(jù)預處理和預測的需求，而在線數(shù)據(jù)預處理和預測則通常需要將預測代碼寫進應用程序內(nèi)部來滿足極致的低延遲要求。因此在線預測的場景也比較少看到大數(shù)據(jù)引擎的身影。在這方面Flink的Stateful Function [9] 是一個獨特的創(chuàng)新，Stateful Function的設(shè)計初衷是在Flink上通過若干有狀態(tài)的函數(shù)來構(gòu)建一個在線應用，通過它可以做到超低延遲的在線預測服務，這樣用戶可以在離線，近線和在線三種場景下使用同一套代碼同一個引擎來進行數(shù)據(jù)預處理和預測。

綜上所述，可以看到在機器學習的每個主要階段中對AI實時化都有重要的需求，那什么樣的系統(tǒng)架構(gòu)能夠有效滿足這樣的需求呢？

Flink和AI實時化的架構(gòu)

目前最典型的AI架構(gòu)示例是離線訓練配合在線推理預測（圖3）。

圖3

正如之前提到的，這個架構(gòu)存在兩個問題：

模型更新的周期通常比較長。

離線和在線的預處理可能需要維護兩套代碼。

為了解決第一個問題，我們需要引入一個實時訓練的鏈路（圖4）。

圖4

在這個鏈路中，線上的數(shù)據(jù)在用于推理預測之外還會實時生成樣本并用于在線模型訓練。在這個過程中，模型是動態(tài)更新的，因此可以更好的契合樣本發(fā)生的變化。

不論是純在線還是純離線的鏈路，都并非適合所有的AI場景。和Lambda的思想類似，我們可以把兩者結(jié)合（圖5）。

圖5

同樣的，為了解決系統(tǒng)復雜度和可運維性的問題（也就是上面提到的第二個問題），我們希望在數(shù)據(jù)預處理的部分用一個流批統(tǒng)一的引擎來避免維護兩套代碼（圖6）。不僅如此，我們還需要數(shù)據(jù)預處理和推理預測能夠支持離線，近線和在線的各種Latency要求，所以使用Flink是一個非常合適的選擇。尤其是對于數(shù)據(jù)預處理環(huán)節(jié)而言，Flink 在流和批上全面完整的 SQL支持可以大大提高的開發(fā)效率。

圖 6

除此之外，為了進一步降低系統(tǒng)的復雜度，Flink也在模型訓練環(huán)節(jié)進行了一系列努力（圖7）。

流批一體算法庫Alink

在去年的 FFA 2019上，阿里巴巴宣布開源了基于Flink的機器學習算法庫Alink [10]，并計劃將其逐步貢獻回Apache Flink，作為Flink ML Lib隨Apache Flink發(fā)布。除了離線學習的算法外，Alink的一大特色就是為用戶提供了在線學習算法，助推Flink在AI實時化上發(fā)揮更大的作用。

Deep Learning on Flink （flink-ai-extended [11]）

幫助用戶把目前流行的深度學習框架（TensorFlow、PyTorch）整合到Flink中。使除了深度學習算法開發(fā)者之外的用戶可以基于Flink實現(xiàn)整套AI架構(gòu)。

流批統(tǒng)一的迭代語義和高性能實現(xiàn)

AI訓練中迭代收斂是一個最核心的計算過程。Flink從一開始就使用了原生迭代的方式來保證迭代計算的效率。為了幫助用戶更好的開發(fā)算法，簡化代碼，進一步提高運行效率。Flink社區(qū)也正在統(tǒng)一流和批上迭代的語義，同時對迭代性能進行更進一步的優(yōu)化，新的優(yōu)化將盡可能避免迭代輪次之間的同步開銷，允許不同批次的數(shù)據(jù)、不同輪次的迭代同時進行。

圖7

當然，在一個完整的AI架構(gòu)中，除了以上提到的三個主要階段，還有很多其他工作需要完成，包括對各種數(shù)據(jù)源的對接，已有AI生態(tài)的對接，在線的模型和樣本監(jiān)控和各類周邊配套支持系統(tǒng)等。阿里巴巴實時計算負責人王峰（花名莫問）在2019年FFA的主題演講中的一張圖（圖8）很好的總結(jié)了其中許多工作。

圖8

Flink社區(qū)也正在為此做出努力。大致上來說，這些AI相關(guān)的工作可以分成補足，提高和創(chuàng)新三類。下面羅列了其中一部分進行中的工作，有些工作也許與AI不直接相關(guān)，但是卻會對Flink更好的服務于AI實時化產(chǎn)生影響。

補足：人有我無

Flink ML Pipeline [12]：幫助用戶方便的存儲和復用一個機器學習的完整計算邏輯。

Flink Python API（PyFlink [13]）：Python 是AI 的母語，PyFlink為用戶提供AI中最重要的編程接口。

Notebook Integration [14]（Zeppelin）：為用戶的AI實驗提供友好的API。

原生Kubernetes支持 [15]：和Kubernetes集成來支持基于云原生的的開發(fā)、部署和運維。

提高：人有我強

Connector 的重新設(shè)計和優(yōu)化 [16]：簡化Connector實現(xiàn)，擴大Connector生態(tài)。

創(chuàng)新：人無我有

AI Flow：兼顧流計算的大數(shù)據(jù) + AI 頂層工作流抽象和配套服務（即將開源）。

Stateful Function[9]：提供堪比在線應用的超低延遲數(shù)據(jù)預處理和推理預測。

其中有些是Flink作為流行的大數(shù)據(jù)引擎的自有功能，比如豐富Connector生態(tài)來對接各種外部數(shù)據(jù)源。另一些則要依靠Flink之外的生態(tài)項目來完成，其中比較重要的是AI Flow。它雖然起源于支持AI實時化架構(gòu)，但是在引擎層并不綁定Flink，而聚焦于頂層的流批統(tǒng)一工作流抽象，旨在為不同平臺，不同引擎和不同系統(tǒng)共同服務于AI實時化的架構(gòu)提供環(huán)境支持。由于篇幅關(guān)系在此不多贅述，將另文向大家介紹。

寫在最后

Apache Flink 從一個簡單的流計算想法開始，直到今天成長為一個業(yè)界流行的實時計算開源項目，使所有人受益，這個過程中離不開Flink社區(qū)中數(shù)以百計的代碼貢獻者和數(shù)以萬計的用戶。我們相信Flink在AI上也能夠有所作為，也歡迎更多的人能夠加入到Flink社區(qū)，同我們一起共創(chuàng)并共享AI實時化的價值。

Flink AI，未來可期。

與50位技術(shù)專家面對面20年技術(shù)見證，附贈技術(shù)全景圖

總結(jié)

以上是生活随笔為你收集整理的为什么说 Flink + AI 值得期待？的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。