出处 | AI前哨

5 月 6 日,在 QCon 环球软件开拓大会(北京站)2019 上,蚂蚁金服副 CTO 胡喜正式宣告开源机器学习工具 SQLFlow,他在演讲中表示:“未来三年,AI 能力会成为每一位技能职员的基本能力。
我们希望通过开源 SQLFlow,降落人工智能运用的技能门槛,让技能职员调用 AI 像 SQL 一样大略。
”据先容,SQLFlow 能够抽象出端到端从数据到模型的研发过程,合营底层的引擎及自动优化,具备根本 SQL 知识的技能职员即可完成大部分的机器学习模型演习及预测任务。
SQLFlow 由何而来?它与谷歌发布的 BigQueryML 有何不同之处?蚂蚁金服对付 SQLFlow 未来还有哪些方案?InfoQ 第一韶光联系到蚂蚁金服 SQLFlow 项目卖力人并进行了采访,本文整理自采访问答。

SQLFlow 的目标是将 SQL 引擎和 AI 引擎连接起来,让用户仅需几行 SQL 代码就能描述全体运用或者产品背后的数据流和 AI 布局。
个中所涉及的 SQL 引擎包括 MySQL、Oracle、Hive、SparkSQL、Flink 等支持用 SQL 或其某个变种措辞描述数据,以及描述对数据的操作的系统。
而这里所指的 AI 引擎包括 TensorFlow、PyTorch 等深度学习系统,也包括 XGBoost、LibLinear、LibSVM 等传统机器学习系统。

SQLFlow 开源项目链接:https://sqlflow.org/sqlflow

会 SQL 就能搞定 AI蚂蚁金服重磅开源机械进修对象 SQLFlow

SQLFlow 的研发团队认为,在 SQLFlow 和 AI 引擎之间存在一个很大的空隙——如何把数据变成 AI 模型须要的输入。
谷歌开源的 TensorFlow 项目开了一个好头,TFX Data Transform 和 feature column API 都是意图补充这个空缺的项目。
但是这个空缺很大,是各种 SQL 引擎和各种 AI 引擎的笛卡尔积,远不是 TensorFlow 的这两个子项目就足以补充的,须要一个开源社区才行。
要补充好这个空缺,须要先让用户意识到其主要性,这也是蚂蚁金服开源 SQLFlow 的意图之一。

SQLFlow 位于 AI 软件系统生态的最顶端,最靠近用户,它也位于数据和数据流软件生态之上。

实在,将 SQL 和 AI 连接起来这个想法并非 SQLFlow 原创。
谷歌于 2018 年年中发布的 BigQueryML 同样旨在“让数据科学家和剖析师只用 SQL 措辞就可以实现盛行的机器学习功能并实行预测剖析”。
除了 Google 的 BigQueryML,微软基于 SQL Server 的 AI 扩展,以及 Teradata 的 SQL for DL 同样旨在连接 SQL 和 AI,让人工智能的运用变得像 SQL 一样大略。
而 SQLFlow 与上述各个别系最根本的差异在于:SQLFlow 是开源的,以上系统都不是。

开拓 SQLFlow 的初衷

蚂蚁金服和很多互联网公司一样,不同产品背后有很多功能都依赖于 AI,比如用户信用的评估便是一套预测模型。
到目前为止,每一个这样的功能的实现,都依赖一个工程师团队开拓多个子系统——读取数据库或者在线日志流、这两类数据的 join、各种数据筛选、数据到模型输入(常说的 features)的映射、演习模型、用演习好的模型来做预测。
全体过程下来耗时每每以月计,如果加班加点放弃写 unit test 代码,可能缩短到以周记。

以上问题正是 SQLFlow 系统希望替工程师们办理的问题。
蚂蚁金服拥有数千数据剖析师,他们日常工浸染的便是 SQL 措辞。
虽然数据剖析师在互联网行业每每不像用 Python、Java、C++ 的工程师那样能干,但是在很多有面向商业伙伴的业务的公司里,比如 LinkedIn,他们的贡献和人数都能与工程师相匹敌。
SQLFlow 最早的初衷,便是希望办理剖析师既要操作数据又要利用 AI、每每须要在两个乃至更多的系统之间切换、事情效率低的窘境。

SQLFlow 旨在大幅提升效率,让上述功能实现所花费的韶光进一步缩短到能以日计,乃至以小时计的程度。

要达到这样的效率,必须有一种效率极高的描述事情意图的办法。
SQL 是一种范例的描述意图,而不描述过程的编程措辞。
用户可以说我要 join 两个表,但是不须要写循环和布局 hash map 来描述如何 join 两个表。
这个特性使得 SQL 能极大地提升开拓效率,这正是 SQLFlow 选择扩展 SQL 语法支持 AI 这条思路的缘故原由。

不过,高效率的背后是更大的工程技能寻衅。
SQLFlow 须要做到能根据用户的意图,自动天生达到意图的 Python、C++、Go 措辞的程序。

SQLFlow 的架构设计

设计目标

在连接 SQL 和 AI 运用这一方向上,业内已有干系事情。
开拓者可以利用像 DOT_PRODUCT 这样的运算符在 SQL 中编写大略的机器学习预测(或评分)算法。
但是,从演习程序到 SQL 语句须要进行大量的模型参数复制粘贴的事情。
目前在一些商业软件中,已经有部分专有 SQL 引擎供应了支持机器学习功能的扩展。

Microsoft SQL Server:Microsoft SQL Server 支持机器学习做事,可以将 R 或 Python 编写的机器学习程序作为外部脚本运行。
Teradata SQL for DL:Teradata 也供应了 RESTful 做事,可以通过扩展的 SQL SELECT 语法调用。
Google BigQuery:Google BigQuery 通过引入 CREATE MODEL 语句让用 SQL 实现机器学习成为可能。

但上述已有的办理方案都无法办理蚂蚁金服团队的痛点,他们的目标是打造一个完备可扩展的办理方案。

这一办理方案应与许多 SQL 引擎都兼容,而不是只能兼容特定版本或类型的 SQL 引擎。
它该当支持繁芜的机器学习模型,包括用于深度学习的 TensorFlow 和用于树模型的 XGBoost。
能够灵巧地配置和运行前沿机器学习算法,包括指定特色交叉,无需在 SQL 语句中嵌入 Python 或 R 代码,以及完备集成超参数估计等。

应对上述寻衅的关键在于打造一套 SQL 扩展语法。
研发团队首先从仅支持 MySQL 和 TensorFlow 的原型开拓开始,后续操持支持更多 SQL 引擎和机器学习工具包。

从 SQL 到机器学习

SQLFlow 可以看作一个翻译器,它把扩展语法的 SQL 程序翻译成一个被称为 submitter 的程序,然后实行。
SQLFlow 供应一个抽象层,把各种 SQL 引擎抽象成一样的。
SQLFlow 还供应一个可扩展的机制,使得大家可以插入各种翻译机制,得到基于不同 AI 引擎的 submitter 程序。

SQLFlow 对 SQL 语法的扩展意图很大略:在 SELECT 语句后面,加上一个扩展语法的 TRAIN 从句,即可实现 AI 模型的演习。
或者加上一个 PREDICT 从句即可实现用现有模型做预测。
这样的设计大大简化了数据剖析师的学习路径。

此外,SQLFlow 也供应一些基本功能,可以供各种 submitter 翻译插件利用,用来根据数据的特点,推导如何自动地把数据转换成 features。
这样用户就不须要在 TRAIN 从句里描述这个转换。

以上这些设计意图在 SQLFlow 的开源代码中都有表示。
当然,SQLFlow 开拓韶光还比较短,仍旧存在很多做的不足细致的地方。
蚂蚁金服将其开源的另一个目的,便是希望能够和各个 SQL 引擎团队和各个 AI 团队一起打造这座横跨数据和 AI 的桥梁。

基于 Go 措辞开拓

据先容,SQLFlow 基于 Go 措辞开拓,Go 措辞的浩瀚优点使其成为了 SQLFlow 研发团队的首选。
除了 Go 社区谈论较多的上风以外,以下两点被重点提及:

首先 Go 随意马虎学习却拥有极高的开拓效率。
它的 keyword 数量比 C 措辞还要少,但是描述能力(均匀每一行代码能表示的意图)靠近 Python。

另一个缘故原由是 Go 的代码库易于长期掩护。
一项工浸染 Python 或者 C++ 来写,会有很多种写法,都能跑。
用 Go 来写,每每只有一种写法。
这就使得 Go 程序员社区里不会有很多风格共存,也就不须要 Google C++ style 这样的代码规范来限定不许用 C++ 的哪些特性,也不会像 Python 代码开拓时那样,各种代码风格之间形成鄙视链,在 code review 过程里带来不必要的争执。

与阿里 PAI 的关系

SQLFlow 研发团队认为,AI 和机器学习的生态可以分为很多层。
个中 TensorFlow、PyTorch、XGBoost、LibLinear 这些系统位于最底层,间隔终端用户最远,只有很硬核的用户才能闇练节制和利用,而这部分用户在互联网从业者里占的比例较小。

SQLFlow 和阿里推出的机器学习平台 PAI 均位于生态的最顶层,须要调用下层的技能栈,二者均直接面对终极用户,而这些用户中可能有大量并不具备 AI 背景知识。

PAI 系统通过前辈的图形用户界面来办理 AI 难明得、难运用的寻衅——比如托拽根本 AI 组件来布局繁芜的模型和数据流。

SQLFlow 则通过写 SQL 程序的办法来实现这一目标。
有能写下来的程序,就随意马虎存档,随意马虎 Code Review,随意马虎分享知识,随意马虎群策群力,随意马虎高效率迭代。
此外,敲键盘写程序比动鼠标拖拽快。

SQLFlow 项目卖力人表示,SQLFlow 和 PAI 都是故意思且故意义的考试测验,二者的发展都值得持续不雅观察。

SQLFlow 优化事情

SQLFlow 目前依赖 TensorFlow 等底层引擎来实现演习和预测。
为了提升 SQLFlow 在机器学习模型的演习和预测性能,蚂蚁金服有一个团队专门做硬件加速 AI 打算的事情,最近已经有了一些令人惊喜的成绩,希望在不久的将来可以和大家分享细节。
其余还有一个兄弟项目专门掩护蚂蚁金服对 TensorFlow 的功能扩展,也和性能干系。

SQLFlow 项目卖力人表示,演习和预测只是全体 AI 产品功能长长的链条中的两个环节。
SQLFlow 这个项目是为办理全体链条构建而打造的,个中有很多环节的耗时比 AI 的演习和预测多得多,因此还有极大的性能提升的空间。
比如很多 SQL 引擎并不支持让一个分布式 AI 程序并发读取个中的数据,如果 SQLFlow 能够办理类似的吞吐量限定,AI 的总体效率能提高数倍乃至数十倍。

在对机器学习算法的支持方面,SQLFlow 设计的初衷便是要复用各个 AI 引擎各自的模型库。
目前 SQLFlow 支持 TensorFlow Estimator 规范的模型。
比如 SQLFlow 扩展语法中 SELECT ... TRAIN DNNClassifier ... 这个写法,DNNClassifier 便是一个 Python class 的名,在这个例子中是一个派生自 tf.Estimator 的 class。
SQLFlow 研发团队也正在做支持 Keras 模型的干系事情,团队也在考虑规范 XGBoost 模型的程序写作,使其可以被 SQLFlow 用户方便地调用。

这些事情背后的思路是希望互联网行业常见的三类技能角色:剖析师、研究员、工程师的分工更清晰,从而能更专注发挥各自特长:剖析师由于理解数据以是写 SQL,调用 DNNClassifier 这样由研究员用 Python 写的模型;研究员不用操心分布式打算和模型到底是如何被分布式演习(或预测)的,这部分事情留给工程师。
与此同时,SQLFlow 作为一种粘合剂,把这三类角色的产出有机结合,以便更加高效地布局产品。

SQLFlow 未来方案

SQLFlow 当前已经能够带来研发效率的提升,但尚不完美,目前 SQLFlow 还存在以下问题有待办理:

第一个问题是 parsing。
SQLFlow 目前已经对接 MySQL,正在对接 Hive 和 阿里云上的 MaxCompute,将来还希望能对接更多公司正在利用的 SQL 引擎。
这些引擎的 SQL 语法大都符合 SQL 标准,但是总有一些自己独特的扩展,而用户每每不知不觉地用到了这些特点。
SQLFlow 希望用户能在已有的 SELECT 语句之后,通过大略地添加一个 TRAIN 或者 PREDICT 从句,即可实现数据和 AI 的互联,这就哀求 SQLFlow 支持各个 SQL 引擎独到的语法特点。

第二个问题是数据到 feature 的映射的自动化。
目前 SQLFlow 是根据 SQL 字段的类型(INT、FLOAT、TEXT、BLOB)来自动化映射到 feature column API,比如 numeric_column 或者 categorical_column_with_vocabulary 或者 bucketized_column。
实在很多 TEXT 字段里存储的信息很繁芜,可能是一个 yaml 或者 json,以是须要扫描(至少一部分)数据,才能精准地判断这个映射。
类似的,一个 BLOB 字段里可能是 protobuf message 的 encoding,encode 的是一个 TensorFlow 的 tensor。

第三个问题是 AI 引擎。
TensorFlow、PyTorch、XGBoost、LibLinear 这些 AI 引擎的分布式打算能力都有一些问题。
TensorFlow 原生支持分布式演习,但不支持容错,一个进程挂了,全体作业就挂了。
虽然这还可以通过 checkpointing 办理,但是不容错就不能弹性调度,不能弹性调度就意味着集群利用率可能极差。
比如一个有 N 个 GPU 的集群上在运行一个作业,利用了一个 GPU;此时一个新提交的作业哀求利用 N 个 GPU,由于空闲 GPU 个数是 N-1,以是这个新的作业不能开始实行,而是得一贯等数小时乃至数天,直到前一个作业结束、开释那个被占用的 GPU。
这么永劫光里,集群利用率< 1/N。
关于这个问题的办理方案,百度 PaddleEDL(https://kubernetes.io/blog/2017/12/paddle-paddle-fluid-elastic-learning/)和阿里集团的 XDL(https://github.com/alibaba/x-deeplearning/)做了一些很有益的探索。
希望业界把过分集中于 AI 运行韶光优化的眼力,分一部分到减少等待韶光上。

接下来蚂蚁金服将致力于推动 SQLFlow 在蚂蚁金服业务和蚂蚁金服以外的公司的利用,让 SQLFlow 项目成为全体社区的共同事情,从中收成更多的反馈,勾引项目的发展方向,也帮助明确各项事情的优先级。

令 SQLFlow 团队感到欣喜的是,虽然 SQLFlow 刚开源,但目前已经有来自美国和中国几大互联网公司的贡献者参与到社区事情中来。
由于每个公司利用的 SQL 引擎不同,如果 SQLFlow 核心团队能供应比较好的数据层抽象,那么来自不同公司的贡献者就能比较随意马虎地把 SQLFlow 适配到自己公司的引擎上。
类似的,支持多种 AI 引擎的办法也是如此。

此外,SQLFlow 团队希望各个公司的研究员们能够参与到开源项目中来,分享各自的模型,未来 SQLFlow 会支持各种形式的模型,以便剖析师利用。

过去这几年,蚂蚁金服一贯积极参与开源社区共建,自2011年宣告第一波开源项目以来,开源项目数量每年皆有增长。
目前蚂蚁金服已有 30 多个开源项目,个中,Ant Design项目已获三万多Star,有600 多人参与项目培植,EggJS和SOFA 系列也成为了社区热门。

在 SQLFlow 的 GitHub 项目中,蚂蚁金服供应了 SQLFlow 的安装指引以及快速入门的示例,对此项目感兴趣的开拓者不妨一试。
也欢迎留言反馈你对 SQLFlow 项目的建媾和利用感想熏染。

再次附上 SQLFlow 开源项目链接:https://sqlflow.org/sqlflow

人工智能将改变天下,捉住它,便是节制了时期脉搏。
戳理解更多看精彩AI文章