Michelangelo是Uber内部建设的 ML-as-a-service平台。
让我们先了解通常情况下机器学习的工程流程有哪些：
- 数据的管理
- 模型的训练
- 模型的进化
- 模型的部署
- 模型的预测
- 预测的监控
下面我们介绍Michelangelo，来看看Michelangelo是如何对这些流程进行支持的。
数据的管理
Offline
Uber的交易和日志数据都存储在HDFS的Data Lake中，通过Spark或者Hive SQL就很容易的对Data Lake中的数据进行计算。Michelangelo提供了运行Spark或者Hive Job的容器，通过它可以提交或触发计算Job。计算的特征结果可以放入Hive中，这样可以让计算的特征数据进行共享，另外也可以将计算结果存入训练数据集存储中，这些数据后面主要用来对模型的训练。
Online
Online部分的数据主要来自于Kafka，通过流式计算提取特征，这些特征一部分存储离线部分的Hive中，用于离线的批量分析。另外，流式计算的结果写入Cassandra中，这部分的存储数据用与、Online部分的快速查询。
模型的训练
模型训练通过指定需要训练的模型类型（Michelangelo目前已经含有决策树、线性及逻辑回归、无监督模型、时序模型以及深度学习模型，也支持用户自定义上传的模型），同时配置模型的超参数，同时配置数据源信息以及训练所需要的计算资源，就可以完成模型的自动训练，将训练模型序列化存储到模型仓库Cassandra中。
模型的演进
Michelangelo提供模型版本的管理，同时提供各种可视化分析工具，帮助对模型的效果及性能进行分析和调试。
回归模型效果可视化工具。
分类模型效果可视化工具。
树模型效果可视化工具。
特征效果可视化分析工具。
模型部署
1）Online部分的部署
Online模型部署到Online预测服务中，这些服务集群通过负载均衡器以及提供RPC调用来完成对单个数据或批量数据的快速预测。
2）Offline部分的部署
Offline部分将模型发布到模型运行容器环境中，然后可以根据需要去触发模型运行。
模型的预测
预测的监控
Michelangelo提供预测的监控样例数据对新的模型效果进行监控。
閱讀更多 娃娃學軟件 的文章
