IBM 数据科学平台三大特性解决数据科学家协作问题

虽然数据科学是一个比较火爆的话题，也受到越来越多重视，但是企业内部数据科学现状却是：不同数据分析人员使用着包括 Python、R、Spark 在内的多种开源产品，并且版本不一；不同开源技术的使用导致数据资产分散存在，形如散沙；最严重的是，当企业内部多位数据分析人员需要协同工作的时候，缺少一个集成多语言、多数据资产、适于统一管理的平台。正因为看到以上挑战，IBM 在去年推出 IBM Data Science Experience （DSX），解决数据科学家协同工作的问题。近日 InfoQ 记者采访了 IBM 分析平台部门资深大数据专家吴敏达，请他详解 DSX。

支持多种语言 DSX 让协作变得更容易

数据分析并不是什么新鲜事物，对于市面上的数据分析产品，其实大家并不陌生。但是因为不同版本、不同开源语言的数据分析工具“群雄割据”，反而使得数据统一管理在企业内部成了一道难题。

据吴敏达介绍，DSX 支持当前几乎所有主流的算法方面的开源语言，比如 R、Python、Scala。在 DSX 平台上，用户可以自由切换使用不同开源语言，只需要打开浏览器输入链接就可以直接使用，它帮助我们免去了安装不同开源平台的烦琐，解决了不同开源平台杂乱无章管理的痛点，这也使得 DSX 可以协助数据科学家在统一平台上进行协作。而无论是 DSX 的公有云版本还是私有云版本，也采用完全一样的底层架构，都以浏览器方式进行使用。

通过 DSX 使用流程 看协作闭环如何实现

如果说 DSX 的最大优势是什么，吴敏达认为是项目协作概念的引入。项目的资源包括算法模型资产、数据资产、人员、书签，并能够实现任何资产的共享，为团队和个人提供了一个协作的项目空间，大大提高了工作效率。

当然这其中就会涉及到 DSX 在用户中的使用流程了，因为从流程我们能够看到协作如何产生、闭环如何实现。首先是连接数据源；接下来是数据准备和预处理、自动建模、参数优化；然后就是进行模型的发布，其中包括实时，流式传输和批量部署；第四步是模型的应用，比如手持应用、移动应用、网站应用等等；第五步是对模型的管理、持续监控和反馈，可以实现模型的自动学习和自动再训练。可以说 DSX 真正提供了一个端到端的数据科学解决方案。

决策优化、机器学习 DSX 这些功能不容忽视

除对开源算法的支持外，DSX 还配备了决策优化引擎，将机器学习与预测结合在一起，就可以实现从料事如神到运筹帷幄。对此吴敏达列举了某航空公司的例子，通过 DSX 对发动机关键数据和天气、机场等公共数据的收集、存储和利用机器学习的分析，航空公司提前预测发动机故障的可能性。在同一平台 DSX 把前面的预测作为决策优化模型的数据输入，考虑客户服务，成本、维护工程师的可用性和技能，就能为航空公司维护部门提供最优维护计划。

而提到 DSX 就不得不提 SPSS，很多传统金融、电信、制造的客户都对 SPSS 并不陌生并且一直在使用，DSX 未来将支持 SPSS 模型在 DSX 中运行，通过浏览器供用户使用拖拽的方式进行机器学习建模。

对于 DSX，IBM 将其定义为数据科学家日常工作的统一入口。DSX 除具备管理、协作职能之外，DSX 即将支持的 Machine Learning 组件，使更多并不理解底层算法选择、参数优化的数据科学家把精力投向到数据的应用上来，用 DSX 完成数据分析的整个闭环。

基于 Spark 技术 全面拥抱开源

这里值得一提的是 DSX 对 Spark 集群技术的运用。据吴敏达介绍， DSX 采用 Docker 技术布置集群，控制节点实现高可用性，存储节点实现本地数据存储，计算节点实现计算任务。Spark 作为大数据领域当前最热的关键技术，是专为大规模数据处理而设计的快速通用的计算引擎，IBM 对此投入巨大精力，在 Spark 2.x 机器学习领域，IBM 是贡献度第一的厂商，由 IBM 开源的 Apache SystemML 是 Spark 环境下最知名的分布式机器学习项目。

结束语

在企业内部，能够拥有较多数量数据科学家也就意味着企业对数据分析、预测拥有较高需求，而这些需求与业务必然是强关联的，对业务不友好的数据分析管理工具必然不会被广泛使用，而定位于团队协作、致力于成为数据科学家使用入口的 DSX，不仅对开源友好，还拥有决策优化引擎和机器学习平台，要把数据科学家从复杂的数据分析、预测中解放出来让他们真正关心业务，这才是数据科学必然趋势所在。

吴敏达，IBM 分析平台部门资深大数据专家。有近 20 年信息管理和分析软件相关技术经验，专长是大数据、机器学习和数据分析和可视化等相关领域。他是 IBM developerWorks 的大师级作者，已经发表了 20 余篇技术文章和教程。现从事大数据、机器学习相关技术支持和架构设计工作。