隨著大數(shù)據(jù)工具數(shù)量的增長(zhǎng)和計(jì)算能力的飛躍，數(shù)據(jù)科學(xué)家越來(lái)越多地發(fā)現(xiàn)，如果他們想從自己的模型中獲得最佳性能，那就必須考慮所使用的數(shù)據(jù)管道。

數(shù)據(jù)科學(xué)工具的功能通常圍繞著預(yù)測(cè)建模，機(jī)器學(xué)習(xí)和數(shù)據(jù)可視化。但這些工具還應(yīng)該包括后端數(shù)據(jù)管道技術(shù)，因?yàn)檫@有助于加快分析的速度。

更強(qiáng)的計(jì)算能力

數(shù)據(jù)科學(xué)家們通常喜歡把后端技術(shù)扔給工程師來(lái)處理。當(dāng)你的主要關(guān)注點(diǎn)是提高模型的預(yù)測(cè)精度或發(fā)現(xiàn)一個(gè)數(shù)據(jù)集中的未知相關(guān)性時(shí)，文件系統(tǒng)和資源管理工具通常情況下并不十分友好。

但隨著大數(shù)據(jù)工具數(shù)量的增長(zhǎng)和計(jì)算能力的飛躍，數(shù)據(jù)科學(xué)家越來(lái)越多地發(fā)現(xiàn)，如果他們想從自己的模型中獲得最佳性能，那就必須考慮所使用的數(shù)據(jù)管道。

“有了更強(qiáng)的計(jì)算能力，我們可以進(jìn)行多次回歸操作，這很讓人興奮，”Brendan Herger，銀行和金融服務(wù)公司Capital One的數(shù)據(jù)科學(xué)家表示。“這的確有助于快速發(fā)展，因?yàn)槟阌辛烁嗟目捎觅Y源，讓一切變得容易。”

位于McLean, Va.的Capital One公司支持各種各樣的工具，但Herger表示，大部分的分析工作是通過(guò)Hadoop分布式文件系統(tǒng)和與其對(duì)應(yīng)的YARN資源管理器完成的。在Hadoop平臺(tái)之上，他使用H2O.ai提供的機(jī)器學(xué)習(xí)軟件做了很多建模。其他數(shù)據(jù)科學(xué)家和數(shù)據(jù)分析師使用不同的前端數(shù)據(jù)科學(xué)工具，例如GraphLab，Apache Zeppelin和Tableau。據(jù)Herger所述，一個(gè)強(qiáng)大、靈活的后端系統(tǒng)可以支持大數(shù)據(jù)集的快速訪問(wèn)，無(wú)視前端工具的差異性。

不需要進(jìn)行數(shù)據(jù)采樣

Herger說(shuō)，這種后臺(tái)計(jì)算能力讓他能夠?qū)ν暾臄?shù)據(jù)集進(jìn)行分析，不再需要進(jìn)行數(shù)據(jù)采樣。他認(rèn)為是否取樣這個(gè)問(wèn)題“幾乎類似于一個(gè)宗教問(wèn)題，”分析完整的數(shù)據(jù)集有幾個(gè)很大的好處。首先它保留了完整的數(shù)據(jù)，包括所有可能存在的信號(hào)。當(dāng)數(shù)據(jù)被劃分成多個(gè)樣本時(shí)，信號(hào)可能會(huì)丟失或變得并不那么明顯。

“不進(jìn)行采樣，這樣對(duì)數(shù)據(jù)科學(xué)家來(lái)說(shuō)是非常有意義的”Herger 說(shuō)。“計(jì)算能力的提升，讓人們得以在整個(gè)數(shù)據(jù)集上運(yùn)行分析，這樣的分析將越來(lái)越普遍”。

對(duì)于San Francisco Macys.com 公司的高級(jí)分析主任Daqing Zhao來(lái)說(shuō)，擁有強(qiáng)大的數(shù)據(jù)架構(gòu)，為他的團(tuán)隊(duì)帶來(lái)的主要好處就是速度。“我們希望進(jìn)行快速原型開發(fā)，”本月在Boston舉行的TDWI Accelerate會(huì)議上，Daqing Zhao說(shuō)道。

趙的團(tuán)隊(duì)負(fù)責(zé)優(yōu)化Macys.com網(wǎng)站，該網(wǎng)站是Macy ‘ s Inc的零售門戶。優(yōu)化工作范圍很廣，例如設(shè)計(jì)變更，進(jìn)行A / B測(cè)試，構(gòu)建產(chǎn)品推薦引擎，為每個(gè)客戶提供個(gè)性化的推薦等。他的團(tuán)隊(duì)使用的主要大數(shù)據(jù)工具是以Hadoop和Spark系統(tǒng)為基礎(chǔ)構(gòu)建的，它支持一系列分析工具，既包括SAS Institute和IBM提供的商業(yè)化分析工具，也包括一些開源工具，像H2O，R和Mahout等。

數(shù)據(jù)沙盒有助于數(shù)據(jù)分析

Zhao 要求Macys.com的數(shù)據(jù)工程團(tuán)隊(duì)在公司數(shù)據(jù)倉(cāng)庫(kù)中為他的團(tuán)隊(duì)構(gòu)建數(shù)據(jù)沙盒。這允許他團(tuán)隊(duì)中的數(shù)據(jù)科學(xué)家以一種實(shí)際相關(guān)性來(lái)轉(zhuǎn)換或連接數(shù)據(jù)，而不需要在數(shù)據(jù)記錄級(jí)別進(jìn)行任何數(shù)據(jù)變更。

對(duì)于所有這些工具，Zhao表示，H2O在進(jìn)行預(yù)測(cè)建模尤其有用。他第一次意識(shí)這一點(diǎn)是在最近的一次演示某個(gè)軟件的會(huì)議上。他說(shuō)，在11秒內(nèi)，工具在一個(gè)有著一億行數(shù)據(jù)的數(shù)據(jù)集上執(zhí)行一次邏輯回歸。重要的是，這些工具能夠與公司的后端數(shù)據(jù)基礎(chǔ)設(shè)施完美集成，這使得它更具有吸引力。

Zhao說(shuō)，他現(xiàn)在沉迷于那些數(shù)據(jù)科學(xué)家可用的開源數(shù)據(jù)工具。除了其對(duì)于大數(shù)據(jù)強(qiáng)大處理能力，這些工具的背后還有著廣受歡迎的大型社區(qū)支持，這使得它更容易找到相關(guān)問(wèn)題的答案。集成開源工具和數(shù)據(jù)基礎(chǔ)設(shè)施通常會(huì)存在一定的問(wèn)題，因?yàn)樵诔霈F(xiàn)問(wèn)題時(shí)，并沒(méi)有專業(yè)的技術(shù)支持來(lái)幫你解決。但此類工具的日益普及逐漸削弱了這個(gè)問(wèn)題產(chǎn)生的影響。

“因?yàn)殚_源軟件的逐漸流行，你可以使用谷歌或在論壇里找到答案，”Zhao說(shuō)。“以前你遇到開源軟件的問(wèn)題，可能會(huì)感到孤立無(wú)援，現(xiàn)在不會(huì)這樣了。”

從數(shù)據(jù)管理中解放出來(lái)

當(dāng)數(shù)據(jù)科學(xué)家在后端系統(tǒng)上運(yùn)行一些任務(wù)時(shí)，他將會(huì)花費(fèi)更少的時(shí)間在數(shù)據(jù)管理上。

Colin Borys遇到的情況大致如此，Colin是Riot Games Inc.公司的數(shù)據(jù)科學(xué)家，該公司就是大名鼎鼎的對(duì)戰(zhàn)游戲LOL的開發(fā)商。在6月舊金山舉行2016 Spark Summit峰會(huì)的一次演講中，Borys表示，他的團(tuán)隊(duì)會(huì)監(jiān)控網(wǎng)絡(luò)流量，以試圖發(fā)現(xiàn)是否有玩家正在遭遇網(wǎng)絡(luò)擁堵，是否可以通過(guò)網(wǎng)絡(luò)疏導(dǎo)來(lái)提高網(wǎng)絡(luò)連通性。數(shù)據(jù)科學(xué)團(tuán)隊(duì)還開發(fā)了一個(gè)推薦引擎，建議玩家選擇不同的服務(wù)器來(lái)均衡網(wǎng)絡(luò)負(fù)載。

在之前，大部分工作是基于Hive上運(yùn)行的臨時(shí)查詢，但Borysr認(rèn)為這種方法并不高效，不具有較好的可伸縮性。Riot Games隨后引入了Spark技術(shù)，部分原因是它想讓數(shù)據(jù)科學(xué)家在Hadoop數(shù)據(jù)上執(zhí)行SQL查詢，對(duì)于SQL，他們已經(jīng)非常熟悉。這家位于Los Angeles的公司開始使用Databricks提供的云Spark平臺(tái)，這樣不需要有專門的人來(lái)花時(shí)間管理集群。

在引進(jìn)的Spark之前，Borys說(shuō)，數(shù)據(jù)科學(xué)家會(huì)花費(fèi)大量的時(shí)間在準(zhǔn)備數(shù)據(jù)上?，F(xiàn)在他們可以利用這些時(shí)間來(lái)完成實(shí)際的數(shù)據(jù)分析。

“我們想要解放分析師，”他說(shuō)道。“使用Spark，進(jìn)行數(shù)據(jù)分析容易的多，它也讓分析變得更為有效。”