機器學習工作流編排工具Netflix
大?。?/span>0.3 MB 人氣： 2017-10-10 需要積分：1
Meson是一個通用的工作流編排和調度框架，用于管理跨異構系統執行工作負載的ML管道。它管理著一些ML管道的生命周期，這些ML管道用來構建、訓練并驗證驅動視頻推薦的個性化算法。
Meson的主要目標之一是提高算法實驗的速度，可靠性和可重復性，同時允許工程師使用他們選擇的技術來處理每個步驟。
增強機器學習管道
在Netflix內部，Spark、MLlib、Python、R以及Docker在當前一代的機器學習管道中起到了重要作用。
我們來看看驅動視頻推薦的典型機器學習管道，以及在Meson中它是如何表示和處理的。
?。c擊放大圖片）
工作流包括：
選擇一組用戶——使用Hive查詢來選擇用于分析的隊列
清洗/準備數據——一個Python腳本來創建兩組用戶，用于并行路徑
在并行路徑中，一條使用Spark構建并分析全局模型，使用HDFS作為臨時存儲。
另一條使用R來構建具體地區（國家）模型。地區的數量根據用于分析所選擇的隊列動態變化。圖中的構建地區模型和驗證地區模型步驟對于每個地區（國家）重復執行，在運行時擴展，使用不同的參數集執行，如下所示。
驗證——當兩條路徑收斂時，使用Scala代碼對模型的穩定性進行測試。在這個過程中，如果模型不穩定，則回到上面的步驟，重復整個過程。
發布新模型——使用Docker容器發布這個新模型，其他生產系統來獲取這個模型。
?。c擊放大圖片）
上圖顯示了上面描述的工作流運行過程。
用戶集選擇，數據清洗的完成由綠色步驟表示。
并行路徑正在處理：
Spark分支完成了模型的生成和驗證。for-each分支分出了4個不同的地區模型，它們都在處理（黃色）。
用于模型選擇的Scala步驟是激活的（藍色）。這表明一個或多個輸入分支已經完成，但它還不會安排執行，因為還有些輸入分支（a）還沒有開始或（b）正在處理。
運行時上下文和參數隨著工作流傳遞，用于業務決策。
揭開面紗
讓我們深入幕后場景來了解Meson是如何在不同系統之間統籌，以及生態系統中不同組件之間的相互影響。工作流有著不同的資源需求和總運行時間期望。我們依靠Apache Mesos這樣的資源管理系統來滿足這些需求。Mesos提供了任務隔離，以及CPU、內存、存儲和其他計算資源的優秀抽象。Meson利用這些功能來實現任務的彈性和容錯性。
非常好我支持^.^
(0) 0%
不好我反對
(0) 0%