Flink 在人工智能领域的应用实践

千家信息网最后更新 2024年11月18日Flink 在人工智能领域的应用实践人工智能是未来十年最重要的技术革命与驱动力，在各行各业产生着日益重要的作用，它与大数据的发展相辅相成，不仅推动人类社会迈入更智慧的世界，也为数据的应用带来无可估量的价值。

11 月 28 - 30 日，Flink Forward Asia 2019 人工智能专场将聚焦于 Flink 在机器学习上的新技术与新应用，内容包含：

• Flink 机器学习进度几何？
• 如何将 Flink 与 TensorFlow 等框架相结合？
• 有哪些 Flink 在机器学习上的生产实践应用？

为你呈现 Flink 机器学习的具体应用实践与最新技术落地案例。

Deep Learning On Apache Flink

陈龙 | Tencent Engineer 本次演讲将介绍一个新的 Flink 项目 dlonflink。它能够使 Flink 具备运行分布式训练和实时更新模型服务的能力，用户不仅可以使用 Scala 开发，而且可以基于 Python，只需修改几行代码即可在 Flink 上运行 TensorFlow，同时也支持 PyToch 和 MXNet。我们将详细介绍 Java 和 Python 之间数据交换相关的设计以及框架管理的实现。

在 Flink 上使用 Analytics-Zoo 进行大数据分析与深度学习模型推理的架构与实践

史栋杰 | 英特尔资深软件架构师 英特尔资深软件架构师。多年从事企业级计算、风控、大数据分析、云计算容器编排、数据分析与人工智能领域的研发，英特尔开源框架 BigDL 与 Analytics-Zoo 的贡献者之一。主要分享内容如下：

1. Analytics-Zoo 简介：基于 Apache Spark、Tensorflow、Keras 和 BigDL 的大数据分析+AI 平台。
2. 将大数据上的深度学习应用部署到生产环境，Flink 流处理场景的支持及使用 OpenVINO 加速。
3. 一种基于消息订阅和 Flink 流处理的 Cluster Serving 架构。

Apache Flink + TensorFlow，携程实时智能异常检测平台实践

潘国庆 | 携程大数据研发经理 随着近几年的发展，实时计算的技术日趋成熟，实时计算的场景也越来越繁多，Flink 也渐渐成为实时计算引擎的首选之一，从简单的实时 ETL 到复杂的 CEP 场景 Flink 都能够很好的驾驭。 本次分享主要介绍携程如何基于 Flink 与 Tensorflow 构建携程实时智能异常检测平台，用于解决规则告警系统准确率低、时效性低、规则配置复杂与耗费人力等诸多问题，实现业务指标毫秒级延迟与智能化检测，依托 Flink 实现了强大的容错机制。

基于 Apache Flink 的机器学习算法平台实践与开源

杨旭 | 阿里巴巴资深算法专家 阿里巴巴计算平台事业部正在与 Flink 社区合作，开源自研的机器学习算法库，基于该算法库，用户可以更方便地构建高性能的 Flink 机器学习作业。我们希望通过开源来促进 Flink 社区在机器学习领域的发展。同时也欢迎更多开发者与我们携手共进，建立更强大、更完整的 Flink 算法库。 本次分享主要围绕团队基于 Flink 研发高性能机器学习算法库过程中的技术积累与收获，以及开源的进展。

Apache Flink AI Ecosystem Effort

陈戊超 | 阿里巴巴技术专家 高赟 | 阿里巴巴技术专家 Flink 是一个分布式计算引擎，支持批流一体的数据处理。在实际生产中的人工智能使用场景中，Flink 在包括特征工程，在线学习，在线预测等方面都有一些独特优势，为了更好的支持人工智能的使用场景，社区以及各个生态厂商都做了一些工作，本演讲将几点介绍近期 Flink 在人工智能生态系统中的工作进展。

1. Flink ML Pipline: 定义了在 Flink 上运行机器学习工作流程的 API 包括特征工程，模型训练，模型预测等。
2. Alink：是基于 Flink的机器学习算法库。
3. Flink ML Workflow：以 Flink 为基础，结合深度学习框架 TensorFlow / PyTorch 为用户提供了串联整个机器学习工作链路中各个阶段的 API，并且同时支持批和流的运行模式。
4. Streaming-based mini-batch iteration architecture：Flink 在流运行模式下支持迭代的新架构设计。

原文链接 本文为云栖社区原创内容，未经允许不得转载。