業(yè)界已有的解決方法
各種方法分析
RServer
基本上我們用Rserver方式，針對一次1000條或者更少請求的預(yù)測，可以控制95%的結(jié)果在100ms內(nèi)返回結(jié)果，100ms可以滿足工程上的實踐要求。更大的數(shù)據(jù)量，比如10000/次，100000/次的預(yù)測，我們目前評估下來滿足不了100ms的要求，建議分批進行調(diào)用或者采用多線程請求的方式來實現(xiàn)。
機器學(xué)習(xí)算法線上部署方法 https://zhuanlan.zhihu.com/p/23382412
PFA
PFA太新，開源支持太少
PMML
PCA，歸一化可以封裝成preprocess轉(zhuǎn)換成PMML
特征處理支持比較少
mleap
優(yōu)點：使用Spark和Scikit-learn， 如果不希望在API堆棧中使用Python，很難將ML /數(shù)據(jù) pipeline模型部署到生產(chǎn)API服務(wù)。 MLeap提供簡單的接口來執(zhí)行整個ML pipeline，從特征變換到分類，回歸，聚類算法和神經(jīng)網(wǎng)絡(luò)。
http://mleap-docs.combust.ml/core-concepts/mleap-bundles.html#bundle-structure
H2O
H2O.AI ,H2O.ai,提供了MOJO和POJO的方式；
H2O是一個完全開源的分布式內(nèi)存機器學(xué)習(xí)平臺，具有線性可擴展性。 H2O支持最廣泛使用的統(tǒng)計和機器學(xué)習(xí)算法，包括梯度增強機器，廣義線性模型，深度學(xué)習(xí)等。 H2O還具有業(yè)界領(lǐng)先的AutoML功能，可自動運行所有算法及其超參數(shù)，以生成最佳模型的排行榜。 H2O平臺被全球14,000多家組織使用，并且在R＆Python社區(qū)中非常受歡迎。
優(yōu)點：使用Java（POJO）和二進制格式（MOJO）快速輕松地將模型部署到生產(chǎn)中。滿足了pipeline部署到生產(chǎn)環(huán)境
缺點：離線訓(xùn)練需要基于H2O的分布式系統(tǒng)、學(xué)習(xí)維護成本比較高。
preditionIO
preditionIO，Welcome to Apache PredictionIO?!，可以基于spark和hbase來提供相應(yīng)的API服務(wù)，還是很方便的
缺點：與Apache Spark，MLlib，HBase，Spray和Elasticsearch捆綁在一起，不能單獨部署，不夠靈活
結(jié)合我們現(xiàn)在的技術(shù)棧，綜合下來采用MLeap是個不錯的選擇，相對于我們現(xiàn)在的框架優(yōu)點明顯，隨后對MLeap進行一些基礎(chǔ)測試。
