流批一体机器学习算法平台

发布会传送门

产品详情

针对正在兴起的机器学习广泛而多样的应用场景，阿里巴巴计算平台基础算法团队在2017年开始基于Flink研发新一代的机器学习算法平台。该项目名称定为Alink，取自相关名称（Alibaba, Algorithm, AI, Flink, Blink）的公共部分。经过三年的投入研发，Alink在算法性能、算法规模、算法易用性等方面取得了不错的成果，并实现了产品化。这使得数据分析和应用开发人员能够轻松搭建端到端的业务流程。

在后面的篇幅中，我们将从算法功能、算法性能、用户界面、可视化等方面对Alink做一个系统的介绍。

• 算法功能

Alink拥有丰富的批式算法和流式算法，能够帮助数据分析和应用开发人员能够从数据处理、特征工程、模型训练、预测，端到端地完成整个流程。如下图所示，Alink提供的功能算法模块中，每一个模块都包含流式和批式算法。比如线性回归，包含批式线性回归训练，流式线性回归预测和批式线性回归预测。另外，Alink算法覆盖分类、回归、聚类、评估、统计分析、特征工程、异常检测、文本、在线学习、关联分析等经典领域，是一个通用的机器学习算法平台。

目前，Alink已经被阿里巴巴集团内部多个BU使用，并取得了不错的业务提升。特别是在2019年天猫双11中，单日数据处理量达到 970PB，每秒处理峰值数据高达 25 亿条。Alink 成功经受住了超大规模实时数据训练的检验，并帮助天猫产品推荐的点击率提高了4％。

• 算法性能

下图给出的是一些经典算法与Spark的性能对比，通过该图可以看出，Alink在大部分算法性能优于Spark，个别算法性能比Spark弱，整体是一个相当的水平。

但是，“在功能的完备性方面，Alink更有优势”，Alink除了覆盖Spark的算法，还包含流式算法、流批混跑、在线学习、中文分词等。

• 用户使用界面

为了提供更好的交互式体验，我们提供两种用户使用界面：web和PyAlink。

首先我们介绍一下web界面。Web界面提供拖拽的方式创建试验，通过对每一个组件进行配置完成整个试验的参数配置。下图给出的是web界面创建的批式、流式、流批混合的试验。

并且Alink可以支持节点的级别实验运行状态显示。在各个算法节点旁，我们用闪烁的小灯泡表示“运行中”的状态，用对勾表示“运行完成”的状态。一般情况下，只有批式（batch）组件才有可能运行结束。基于各个组件的运行状态，可以十分方便地判断当前实验运行到了什么程度。并且，如果实验运行中出现了报错或者长时间不结束的情况，也能根据组件运行状态更加方便地定位潜在出问题的组件。除了简单的运行状态以外，Alink还提供了查看组件输入、输出数据量指标的功能。对于不同类型的组件，Alink提供了不同的指标展现方式：对于流式（stream）组件来说，在组件运行时，可以接近实时地看到组件的输出BPS和RPS数值。而对于批式（batch）组件，在组件运行完成后，会展示总的输出数据条数和字节数。这些指标的展示对于判断实验/业务是否正常运行可以提供很多的参考，尤其对于一些线上实时的业务，通过这些指标就能直观地看到是否正常运行。

下面我们继续介绍PyAlink。为了满足脚本用户的需求，我们提供了PyAlink on notebook，用户可以通过PyAlink的python包使用Alink。PyAlink支持单机运行，也支持集群提交。并且打通Operator(Alink算子)和DataFrame的接口，从而使得Alink整个算法流程无缝融入python。PyAlink也提供使用Python函数来调用UDF或者UDTF。PyAlink在notebook中使用如下图，展示了一个模型训练预测，并打印出预测结果的过程：

• 可视化

Alink中的可视化包括统计相关的可视化、模型类可视化以及评估可视化等，当前能进行大屏可视化的组件包括：统计分析类组件，直接展示的统计算法的结果；机器学习模型类组件，展示训练好的模型的信息；评估类组件，展示评估接口。 下图给出的是统计可视化，通过下图可以看到我们的统计可视化支持窗口统计和累计统计，并且支持曲线、柱状图、统计表、矩阵图等多种展示方式。

同样，下面两幅图给出的是模型的可视化和评估的可视化。

• 总结展望

经过三年的发展，Alink已经成为一个功能完备的机器学习算法平台，而且已经在2019年FFA19将代码开源到社区，让更多的人能够使用这个平台解决业务问题。虽然Alink开源已经取得了阶段性成果，但是我们将继续积极向FlinkML贡献代码，我们希望将更多优秀的机器学习算法贡献给Flink项目，也希望和社区一起努力，共同促进Flink社区机器学习生态的发展和繁荣。