Apache Flink 社区很荣幸地宣布 Apache Flink ML 2.2.0 版本正式发布!本次发布的版本重点添加了 Flink ML 中的特征工程算法。现在 Flink ML 包含了 33 个开箱可用的特征工程算法,可以支持很多常见的特征工程任务。
随着这些算法的添加,我们相信 Flink ML 已经准备好用于需要特征工程的生产作业,例如预处理离线和在线机器学习任务的输入数据。
我们鼓励您下载该版本 [1] 并通过 Flink 邮件列表 [2] 或 JIRA [3] 与社区分享您的反馈!我们希望您喜欢新版本,并且我们期待了解您的使用体验。
重要特性
1. 引入在线推理服务需要的接口和基础设施
在机器学习中,模型训练的主要目标之一是将已训练好的模型部署并支持在线推理。在线推理服务需要以毫秒级延迟响应传入请求。之前发布的 Flink ML 算子仅支持使用 Flink 流处理引擎进行近线推理,延迟性能无法满足在线推理的需要。
通过使用 FLIP-289 [4] 所提供的接口,Flink ML 现在支持用户从由 Estimator 生成的模型数据加载ModelServable。这个 ModelServable 可以被复制和部署在多个模型推理服务器上,执行大规模分布式的在线模型推理。并且,ModelServable 不依赖 Flink 的流处理引擎,它还可以作为 Java UDF 集成到其他服务或处理框架中,读取由 Flink ML 生成的模型数据来进行离线或在线模型推理。
完整内容请点击下方链接查看:
Apache Flink ML 2.2.0 发布公告-阿里云开发者社区
版权声明:本文内容由阿里云实名注册用户自发贡献,版权归原作者所有,阿里云开发者社区不拥有其著作权,亦不承担相应法律责任。具体规则请查看《 阿里云开发者社区用户服务协议》和《 阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容,填写 侵权投诉表单进行举报,一经查实,本社区将立刻删除涉嫌侵权内容