Flink 在人工智慧領域的應用實踐

人工智慧是未來十年最重要的技術革命與驅動力，在各行各業產生著日益重要的作用，它與大資料的發展相輔相成，不僅推動人類社會邁入更智慧的世界，也為資料的應用帶來無可估量的價值。

11 月 28 - 30 日，Flink Forward Asia 2019 人工智慧專場將聚焦於 Flink 在機器學習上的新技術與新應用，內容包含：

• Flink 機器學習進度幾何？
• 如何將 Flink 與 TensorFlow 等框架相結合？
• 有哪些 Flink 在機器學習上的生產實踐應用？

為你呈現 Flink 機器學習的具體應用實踐與最新技術落地案例。

Deep Learning On Apache Flink

陳龍 | Tencent Engineer

本次演講將介紹一個新的 Flink 專案 dlonflink。它能夠使 Flink 具備執行分散式訓練和實時更新模型服務的能力，使用者不僅可以使用 Scala 開發，而且可以基於 Python，只需修改幾行程式碼即可在 Flink 上執行 TensorFlow，同時也支援 PyToch 和 MXNet。我們將詳細介紹 Java 和 Python 之間資料交換相關的設計以及框架管理的實現。

在 Flink 上使用 Analytics-Zoo 進行大資料分析與深度學習模型推理的架構與實踐

史棟傑 | 英特爾資深軟體架構師

英特爾資深軟體架構師。多年從事企業級計算、風控、大資料分析、雲端計算容器編排、資料分析與人工智慧領域的研發，英特爾開源框架 BigDL 與 Analytics-Zoo 的貢獻者之一。主要分享內容如下：

1. Analytics-Zoo 簡介：基於 Apache Spark、Tensorflow、Keras 和 BigDL 的大資料分析+AI 平臺。
2. 將大資料上的深度學習應用部署到生產環境，Flink 流處理場景的支援及使用 OpenVINO 加速。
3. 一種基於訊息訂閱和 Flink 流處理的 Cluster Serving 架構。

Apache Flink + TensorFlow，攜程實時智慧異常檢測平臺實踐

潘國慶 | 攜程大資料研發經理

隨著近幾年的發展，實時計算的技術日趨成熟，實時計算的場景也越來越繁多，Flink 也漸漸成為實時計算引擎的首選之一，從簡單的實時 ETL 到複雜的 CEP 場景 Flink 都能夠很好的駕馭。

本次分享主要介紹攜程如何基於 Flink 與 Tensorflow 構建攜程實時智慧異常檢測平臺，用於解決規則告警系統準確率低、時效性低、規則配置複雜與耗費人力等諸多問題，實現業務指標毫秒級延遲與智慧化檢測，依託 Flink 實現了強大的容錯機制。

基於 Apache Flink 的機器學習演算法平臺實踐與開源

楊旭 | 阿里巴巴資深演算法專家

阿里巴巴計算平臺事業部正在與 Flink 社群合作，開源自研的機器學習演算法庫，基於該演算法庫，使用者可以更方便地構建高效能的 Flink 機器學習作業。我們希望透過開源來促進 Flink 社群在機器學習領域的發展。同時也歡迎更多開發者與我們攜手共進，建立更強大、更完整的 Flink 演算法庫。

本次分享主要圍繞團隊基於 Flink 研發高效能機器學習演算法庫過程中的技術積累與收穫，以及開源的進展。

Apache Flink AI Ecosystem Effort

陳戊超 | 阿里巴巴技術專家
高贇 | 阿里巴巴技術專家

Flink 是一個分散式計算引擎，支援批流一體的資料處理。在實際生產中的人工智慧使用場景中，Flink 在包括特徵工程，線上學習，線上預測等方面都有一些獨特優勢，為了更好的支援人工智慧的使用場景，社群以及各個生態廠商都做了一些工作，本演講將幾點介紹近期 Flink 在人工智慧生態系統中的工作進展。

1. Flink ML Pipline: 定義了在 Flink 上執行機器學習工作流程的 API 包括特徵工程，模型訓練，模型預測等。
2. Alink：是基於 Flink的機器學習演算法庫。
3. Flink ML Workflow：以 Flink 為基礎，結合深度學習框架 TensorFlow / PyTorch 為使用者提供了串聯整個機器學習工作鏈路中各個階段的 API，並且同時支援批和流的執行模式。
4. Streaming-based mini-batch iteration architecture：Flink 在流執行模式下支援迭代的新架構設計。

原文連結

本文為雲棲社群原創內容，未經允許不得轉載。