国产开源项目也能用SQL解决机器学习问题！与谷歌BigQuery ML有何不同？

Posted 2021-04-30 AI前线

作者 | 祝威廉，主要关注大数据/机器学习方向， 现丁香园资深数据架构

编辑 | Natalie

AI 前线导读：上周 AI 前线发布的文章 引发了很多人的关注，只需要会用 SQL 就能够使用机器学习对于很多开发者来说确实是一项重大福利。但谷歌的这款产品并非开源产品，实际上在国内也有类似的开源产品。本文作者将个人开源项目 StreamingPro 的 MLSQL 与 BigQuery ML 进行了一番对比，让我们来看看二者到底有何不同！

更多优质内容请关注微信公众号“AI 前线”（ID：ai-front）

StreamingPro 简介

StreamingPro 是一套基于 Spark 的数据平台，MLSQL 是基于 StreamingPro 的算法平台。利用 MLSQL，你可以用类似 SQL 的方式完成数据的 ETL、算法训练、模型部署等一整套 ML Pipeline。MLSQL 融合了数据平台和算法平台，可以让你在一个平台上把这些事情都搞定。

运行方式

MLSQL 支持 Run as Application 和 Run as Service。MLSQL Run as Service 很简单，你可以直接在自己电脑上体验： Five Minute Quick Tutorial，https://github.com/allwefantasy/streamingpro/blob/master/docs/en/quick-tutorial.md。

BigQuery ML 则是云端产品，从表象上来看，应该也是 Run As Service。

语法功能使用

BigQuery ML 训练一个算法的方式为：

CREATE OR REPLACE MODEL flights.arrdelay
OPTIONS
 (model_type='linear_reg', labels=['arr_delay']) AS
SELECT
 arr_delay,
 carrier,
 origin,
 dest,
 dep_delay,
 taxi_out,
 distance
FROM
 `cloud-training-demos.flights.tzcorr`
WHERE
 arr_delay IS NOT NULL

BigQuery ML 也对原有的 SQL 语法做了增强，添加了新的关键字，但是总体是遵循 SQL 原有语法形态的。

完成相同功能，在 MLSQL 中中的做法如下：

select arr_delay, carrier, origin, dest, dep_delay,
taxi_out, distance from db.table 
as lrCorpus;

train lrCorpus as LogisticRegressor.`/tmp/linear_regression_model`
where inputCol="features"
and labelCol="label"
;

同样的，MLSQL 也对 SQL 进行扩展和变更，就模型训练而言，改变会更大些。对应的，训练完成后，你可以 load 数据查看效果, 结果类似这样：

+--------------------+--------+--------------------+-------------------+-------+-------------+-------------+--------------------+
|           modelPath|algIndex|                 alg|              score| status|    startTime|      endTime|         trainParams|
+--------------------+--------+--------------------+-------------------+-------+-------------+-------------+--------------------+
|/tmp/william/tmp/...|       1|org.apache.spark....|-1.9704115113779945|success|1532659750073|1532659757320|Map(ratingCol -> ...|
|/tmp/william/tmp/...|       0|org.apache.spark....|-1.8446490919033698|success|1532659757327|1532659760394|Map(ratingCol -> ...|
+--------------------+--------+--------------------+-------------------+-------+-------------+-------------+--------------------+

在预测方面，BigQuery ML 语法如下：

SELECT * FROM ML.PREDICT(MODEL flights.arrdelay,
(
SELECT
 carrier,
 origin,
 dest,
 dep_delay,
 taxi_out,
 distance,
 arr_delay AS actual_arr_delay
FROM
 `cloud-training-demos.flights.tzcorr`
WHERE
 arr_delay IS NOT NULL
LIMIT 10))

ML 指定模型名称就可以调用对应的预测函数。在 MLSQL 里，则需要分两步：

先注册模型，这样就能得到一个函数（pa_lr_predict），名字你自己定义。

register LogisticRegressor.`/tmp/linear_regression_model` as pa_lr_predict options
modelVersion="1" ;

接着就可以使用了：

select pa_lr_predict(features) from lrCorpus limit 10 as predict_result;

和数据平台集成

BigQuery ML 也支持利用 SQL 对数据做复杂处理，因此可以很好地给模型准备数据。MLSQL 也支持非常复杂的数据处理。

除了算法以外

“数据处理模型”以及 SQL 函数

值得一提的是，MLSQL 提供了非常多的“数据处理模型”以及 SQL 函数。比如我要把文本数据转化为 tfidf, 一条指令即可：

-- 把文本字段转化为tf/idf向量,可以自定义词典
train orginal_text_corpus as TfIdfInPlace.`/tmp/tfidfinplace`
where inputCol="content"
-- 分词相关配置
and ignoreNature="true"
and dicPaths="...."
-- 停用词路径
and stopWordPath="/tmp/tfidf/stopwords"
-- 高权重词路径
and priorityDicPath="/tmp/tfidf/prioritywords"
-- 高权重词加权倍数
and priority="5.0"
-- ngram 配置
and nGram="2,3"
-- split 配置，以split为分隔符分词，
and split=""
;

-- lwys_corpus_with_featurize 表里content字段目前已经是向量了
load parquet.`/tmp/tfidf/data` 
as lwys_corpus_with_featurize;

支持自定义实现算法

除了 MLSQL 里已经实现的算法，你也可以用 python 脚本来完成自定义算法。目前通过 PythonAlg 模块支持 SKlearn, Tensorflow, Xgboost, Fasttext 等众多 Python 算法框架。Tensorflow 则支持 Cluster 模式。具体参看这里 MLSQL 自定义算法（https://github.com/allwefantasy/streamingpro/blob/master/docs/mlsql-user-defined-alg.md）。

部署

BigQuery ML 和 MLSQL 都支持直接在 SQL 里使用其预测功能。MLSQL 还支持将模型部署成 API 服务。具体做法超级简单:

1. 单机模型运行 StreamingPro.

2. 通过接口或者配置注册算法模型 register NaiveBayes./tmp/bayes_modelas bayes_predict;

3. 访问预测接口

http://127.0.0.1:9003/model/predict? pipeline= bayes_predict&data=[[1,2,3...]]&dataType=vector

MLSQL 可以实现 end2end 模式部署，复用所有数据处理流程。更多参看 MLSQL 部署（https://github.com/allwefantasy/streamingpro/blob/master/docs/mlsql-model-deploy.md）。

模型多版本管理

训练时将 keepVersion="true", 每次运行都会保留上一次版本。具体参看模型版本管理：

https://github.com/allwefantasy/streamingpro/blob/master/docs/mlsql-user-defined-alg.md#%E6%A8%A1%E5%9E%8B%E7%89%88%E6%9C%AC%E7%AE%A1%E7%90%86

多个算法 / 多组参数并行运行

如果算法自身已经是分布式计算的，那么 MLSQL 允许多组参数顺序执行。比如这个：

train data as ALSInPlace.`/tmp/als` where
-- 第一组参数
`fitParam.0.maxIter`="5"
and `fitParam.0.regParam` = "0.01"
and `fitParam.0.userCol` = "userId"
and `fitParam.0.itemCol` = "movieId"
and `fitParam.0.ratingCol` = "rating"
-- 第二组参数    
and `fitParam.1.maxIter`="1"
and `fitParam.1.regParam` = "0.1"
and `fitParam.1.userCol` = "userId"
and `fitParam.1.itemCol` = "movieId"
and `fitParam.1.ratingCol` = "rating"
-- 计算rmse     
and evaluateTable="test"
and ratingCol="rating"
-- 针对用户做推荐，推荐数量为10  
and `userRec` = "10"
-- 针对内容推荐用户，推荐数量为10
-- and `itemRec` = "10"
and coldStartStrategy="drop"

这是一个协同推荐的一个算法，使用者配置了两组参数，因为该算法本身是分布式的，所以两组参数会串行运行。

-- train sklearn model
train data as PythonAlg.`${modelPath}` 

-- specify the location of the training script 
where pythonScriptPath="${sklearnTrainPath}"

-- kafka params for log
and `kafkaParam.bootstrap.servers`="${kafkaDomain}"
and `kafkaParam.topic`="test"
and `kafkaParam.group_id`="g_test-2"
and `kafkaParam.userName`="pi-algo"
-- distribute training data, so the python training script can read 
and  enableDataLocal="true"
and  dataLocalFormat="json"

-- sklearn params
-- use SVC
and `fitParam.0.moduleName`="sklearn.svm"
and `fitParam.0.className`="SVC"
and `fitParam.0.featureCol`="features"
and `fitParam.0.labelCol`="label"
and `fitParam.0.class_weight`="balanced"
and `fitParam.0.verbose`="true"

and `fitParam.1.moduleName`="sklearn.naive_bayes"
and `fitParam.1.className`="GaussianNB"
and `fitParam.1.featureCol`="features"
and `fitParam.1.labelCol`="label"
and `fitParam.1.class_weight`="balanced"
and `fitParam.1.labelSize`="26"

-- python env
and `systemParam.pythonPath`="python"
and `systemParam.pythonParam`="-u"
and `systemParam.pythonVer`="2.7";

上面这个则是并行运行两个算法 SVC/GaussianNB。因为每个算法自身无法分布式运行，所以 MLSQL 允许你并行运行这两个算法。

总结

BigQuery ML 只是 Google BigQuery 服务的一部分。所以其实和其对比还有失偏颇。MLSQL 把数据平台和算法平台合二为一，在上面你可以做 ETL、流式，也可以做算法，大家都统一用一套 SQL 语法。

MLSQL 还提供了大量使用的“数据处理模型”和 SQL 函数，这些无论对于训练还是预测都有非常大的帮助，可以使得数据预处理逻辑在训练和预测时得到复用，基本无需额外开发，实现端到端的部署，减少企业成本。

原文链接：

https://www.jianshu.com/p/ef57277130bd

如果你喜欢这篇文章，或希望看到更多类似优质报道，记得给我留言和点赞哦！