2008年我在我的第一份工作（Ask.com）中開始使用Hadoop。當(dāng)時(shí)是因?yàn)榘嘿F的Oracle集群無法處理不斷增加的分析工作量，公司不得不切換到Hadoop。

隨后在Twitter擔(dān)任數(shù)據(jù)工程師的第二份工作中，我在第一線參與并推動(dòng)了如何使用數(shù)據(jù)給幾乎所有Twitter的產(chǎn)品賦能（與其稱之為“大數(shù)據(jù)”，我更愿意簡單稱之為“數(shù)據(jù)”）。

自2008年以來，我親眼目睹了數(shù)據(jù)的力量，以及見證了它如何改變世界。如果你閱讀過有關(guān)劍橋分析公司如何影響2016年美國大選的文章，那么你會(huì)感受到這種改變所帶來的非凡意義。

然而，自流行詞“大數(shù)據(jù)”出現(xiàn)10多年后，大數(shù)據(jù)似乎只對少數(shù)公司有用。在硅谷，幾乎所有的獨(dú)角獸企業(yè)都廣泛使用大數(shù)據(jù)來推動(dòng)他們的成功。

在中國，像BAT這樣的公司已經(jīng)掌握了大數(shù)據(jù)的藝術(shù)，同時(shí)我們也有像字節(jié)跳動(dòng)這樣主要以大數(shù)據(jù)技術(shù)為基礎(chǔ)的超級獨(dú)角獸公司，但是仍然有很多關(guān)于大數(shù)據(jù)是如何難以使用的笑話。

并且令人遺憾的事實(shí)是，對于大多數(shù)公司來說，大數(shù)據(jù)要么仍然是流行詞，要么的確是難以實(shí)現(xiàn)。

幸運(yùn)的是，一門新學(xué)科正在崛起，是解開普通公司數(shù)據(jù)能力的關(guān)鍵。它就是DataOps，與DevOps明顯相似的名稱，以及與DevOps類似的軟件開發(fā)角色，是數(shù)據(jù)工程師希望簡化數(shù)據(jù)的使用并真正實(shí)現(xiàn)以數(shù)據(jù)來驅(qū)動(dòng)企業(yè)成功的方法。

今天，我們將簡要介紹DataOps以及為什么它對每個(gè)想要從數(shù)據(jù)中獲取真正價(jià)值的公司都很重要。??

什么是DataOps

維基百科上DataOps的定義是：

DataOps是一種面向流程的自動(dòng)化方法，由分析和數(shù)據(jù)團(tuán)隊(duì)使用，旨在提高質(zhì)量并縮短數(shù)據(jù)分析的周期時(shí)間。

維基百科上的DataOps頁面在2017年2月創(chuàng)建，其中詳細(xì)介紹了這一新學(xué)科。DataOps的定義肯定會(huì)隨著時(shí)間的推移而發(fā)展，但其關(guān)鍵目標(biāo)非常明確：提高數(shù)據(jù)分析的質(zhì)量并縮短數(shù)據(jù)分析的周期。

DataOps可以降低數(shù)據(jù)分析的門檻，但是它并不會(huì)使數(shù)據(jù)分析變成一項(xiàng)簡單的工作。實(shí)施成功的數(shù)據(jù)項(xiàng)目仍然需要大量工作，例如深入了解數(shù)據(jù)和業(yè)務(wù)的關(guān)系，良好的數(shù)據(jù)使用規(guī)范以及一個(gè)公司的數(shù)據(jù)驅(qū)動(dòng)的文化培養(yǎng)。不過，DataOps將極大地提高人們使用數(shù)據(jù)的效率并降低使用數(shù)據(jù)的門檻，公司可以更快，更早，更好地開始使用數(shù)據(jù)，并且成本和風(fēng)險(xiǎn)更低。

DataOps解決的問題

大數(shù)據(jù)的大多數(shù)應(yīng)用可以分類為AI（人工智能）或BI（商業(yè)智能）。此處的AI是指廣義的人工智能功能，包括機(jī)器學(xué)習(xí)，數(shù)據(jù)挖掘以及其他從數(shù)據(jù)中獲取以前未知知識的技術(shù)。BI則是更多地使用統(tǒng)計(jì)方法將大量數(shù)據(jù)匯總到更簡單的報(bào)告，供人們理解。簡而言之，AI使用各種數(shù)據(jù)算法來計(jì)算新的東西，BI則是統(tǒng)計(jì)人們可以理解的數(shù)字。

編寫AI / BI程序并不難。你可以在幾個(gè)小時(shí)內(nèi)設(shè)置一個(gè)TensorFlow的人臉識別程序?；蛘呤褂肕atlab繪制一些數(shù)據(jù)，甚至使用Excel也并不難實(shí)現(xiàn)這個(gè)目的。問題在于，要實(shí)際使用生產(chǎn)結(jié)果來支持面向用戶的產(chǎn)品或根據(jù)這些神奇的數(shù)字來決定公司的命運(yùn)，你需要的不僅僅是手動(dòng)工作。

Dimensional Research的一項(xiàng)調(diào)查（如上圖所示）發(fā)現(xiàn)，對于想要實(shí)施大數(shù)據(jù)應(yīng)用的公司來說，以下問題最為困難：

  1. 確保數(shù)據(jù)質(zhì)量;
  2. 控制成本;
  3. 滿足業(yè)務(wù)需求和期望;
  4. 量化大數(shù)據(jù)項(xiàng)目的價(jià)值;
  5. 很難找到具有大數(shù)據(jù)專業(yè)知識的人;
  6. 修復(fù)性能和配置問題;
  7. 選擇正確的數(shù)據(jù)框架;
  8. 技術(shù)資源不足;
  9. 保持運(yùn)行可靠性;
  10. 大數(shù)據(jù)項(xiàng)目花費(fèi)的時(shí)間比預(yù)期的要長;
  11. 要管理的技術(shù)或供應(yīng)商太多;
  12. 開放對更多消費(fèi)者的數(shù)據(jù)訪問;
  13. 難以創(chuàng)建可操作的信息;
  14. 復(fù)雜問題解決和調(diào)試。

谷歌數(shù)據(jù)分析師的另一項(xiàng)研究發(fā)現(xiàn)，對于大多數(shù)機(jī)器學(xué)習(xí)項(xiàng)目，只有5％的時(shí)間花在編寫ML代碼上。另外95％的時(shí)間用于設(shè)置運(yùn)行ML代碼所需的基礎(chǔ)設(shè)施。

在這兩項(xiàng)研究中，我們可以很容易地看到許多艱苦的工作實(shí)際上并不是在編寫代碼。整個(gè)基礎(chǔ)設(shè)施的準(zhǔn)備工作以及高效運(yùn)行生產(chǎn)級別的代碼是非常費(fèi)時(shí)費(fèi)力的，而且經(jīng)常伴隨著各種風(fēng)險(xiǎn)。

在谷歌的研究中，他們引用了我的前同事Jimmy Lin和Dmitry Ryaboy（來自Twitter Analytics團(tuán)隊(duì)）的話：我們的大部分工作可以被描述為“數(shù)據(jù)管道工”。實(shí)際上，DataOps使管道工的工作更簡單和高效。

DataOps目標(biāo)功能

DataOps旨在減少整個(gè)分析周期時(shí)間。因此，從搭建基礎(chǔ)架構(gòu)到使用數(shù)據(jù)應(yīng)用的結(jié)果，通常需要實(shí)現(xiàn)以下功能：

  1. 部署：包括基礎(chǔ)架構(gòu)和應(yīng)用程序。無論底層硬件基礎(chǔ)設(shè)施如何，配置新系統(tǒng)環(huán)境都應(yīng)該快速而簡單。部署新應(yīng)用程序應(yīng)該花費(fèi)幾秒而不是幾小時(shí)或幾天;
  2. 運(yùn)維：系統(tǒng)和應(yīng)用程序的可擴(kuò)展性，可用性，監(jiān)視，恢復(fù)和可靠性。用戶不必?fù)?dān)心運(yùn)維，可以專注于業(yè)務(wù)邏輯;
  3. 治理：數(shù)據(jù)的安全性，質(zhì)量和完整性，包括審計(jì)和訪問控制。所有數(shù)據(jù)都在一個(gè)支持多租戶的安全環(huán)境中以連貫和受控的方式進(jìn)行管理。
  4. 可用：用戶應(yīng)該能夠選擇他們想要用于數(shù)據(jù)的工具，并根據(jù)需要輕松運(yùn)行它們。應(yīng)將對不同分析/ ML / AI框架的支持整合到系統(tǒng)中：
  5. 生產(chǎn)：通過調(diào)度和數(shù)據(jù)監(jiān)控，可以輕松地將分析程序轉(zhuǎn)換為生產(chǎn)應(yīng)用，構(gòu)建從數(shù)據(jù)抽取到數(shù)據(jù)分析的生產(chǎn)級數(shù)據(jù)流水線，并且數(shù)據(jù)的使用應(yīng)該很容易并由系統(tǒng)管理。

簡而言之，它類似于DevOps方法：從編寫代碼到生產(chǎn)部署的路徑，包括調(diào)度和監(jiān)視，應(yīng)由同一個(gè)人完成，并遵循系統(tǒng)管理的標(biāo)準(zhǔn)。

與提供許多標(biāo)準(zhǔn)CI，部署，監(jiān)控工具以實(shí)現(xiàn)快速交付的DevOps類似，通過標(biāo)準(zhǔn)化大量大數(shù)據(jù)組件，新手可以快速建立生產(chǎn)級的大數(shù)據(jù)平臺并充分利用數(shù)據(jù)的價(jià)值。

DataOps方法論

DataOps的主要方法論仍處于快速發(fā)展階段。像Facebook和Twitter這樣的公司通常會(huì)有一個(gè)專門的數(shù)據(jù)平臺團(tuán)隊(duì)（Data Platform Team）處理數(shù)據(jù)運(yùn)營并實(shí)現(xiàn)數(shù)據(jù)項(xiàng)目。

但是，他們的實(shí)現(xiàn)方式大多與公司現(xiàn)有的Ops基礎(chǔ)設(shè)施集成，因此通常不適用于其他人。我們可以從他們的成功中學(xué)習(xí)經(jīng)驗(yàn)，并建立一個(gè)可以由每家公司輕松實(shí)施的通用大數(shù)據(jù)平臺。

要構(gòu)建DataOps所需的通用平臺，我們認(rèn)為需要以下技術(shù)：

  1. 云架構(gòu)：我們必須使用基于云的基礎(chǔ)架構(gòu)來支持資源管理，可擴(kuò)展性和運(yùn)營效率;
  2. 容器：容器在DevOps的實(shí)現(xiàn)中至關(guān)重要，它在資源隔離和提供一致的dev / test / ops環(huán)境中的作用對于實(shí)現(xiàn)數(shù)據(jù)平臺仍然至關(guān)重要;
  3. 實(shí)時(shí)和流處理：實(shí)時(shí)和流處理現(xiàn)在在數(shù)據(jù)驅(qū)動(dòng)平臺中變得越來越重要，它們應(yīng)該是現(xiàn)代數(shù)據(jù)平臺的一等公民;
  4. 多分析引擎：MapReduce是傳統(tǒng)的分布式處理框架，但Spark和TensorFlow等框架日常使用越來越廣泛，應(yīng)該進(jìn)行集成;
  5. 集成的應(yīng)用程序和數(shù)據(jù)管理：應(yīng)用程序和數(shù)據(jù)管理，包括生命周期管理，調(diào)度，監(jiān)視，日志記錄支持，對于生產(chǎn)數(shù)據(jù)平臺至關(guān)重要。DevOps的常規(guī)實(shí)踐可以應(yīng)用于應(yīng)用程序管理，但是數(shù)據(jù)管理以及應(yīng)用程序和數(shù)據(jù)之間的交互需要很多額外的工作;
  6. 多租戶和安全性：數(shù)據(jù)安全性幾乎是數(shù)據(jù)項(xiàng)目中最重要的問題：如果數(shù)據(jù)無法保護(hù)，則根本無法使用。該平臺應(yīng)為每個(gè)人提供一個(gè)安全的環(huán)境，以便每個(gè)人都可以使用這些數(shù)據(jù)并對每個(gè)操作進(jìn)行授權(quán)，驗(yàn)證和審核。
  7. Dev和Ops工具：該平臺應(yīng)為數(shù)據(jù)科學(xué)家提供有效的工具，以分析數(shù)據(jù)并生成分析程序，為數(shù)據(jù)工程師提供大數(shù)據(jù)流水線的工具，并為其他人提供消費(fèi)數(shù)據(jù)和結(jié)果的方法。

我們的思考

目前的大數(shù)據(jù)技術(shù)是強(qiáng)大的，但它們對于普通人來說仍然太難使用。部署一個(gè)適合生產(chǎn)環(huán)境的數(shù)據(jù)平臺仍然是一項(xiàng)艱巨的任務(wù)。對于已經(jīng)開始這一過程的公司來說，他們的數(shù)據(jù)平臺團(tuán)隊(duì)大部分時(shí)間仍在做相似的事情，就像重新造輪子。

有些公司已經(jīng)意識到這些問題（Qubole，DataMeer，Bluedata等），并開始采用不同的方法來解決這個(gè)問題。其中一些使用基于容器的解決方案，另外一些以Hadoop為中心構(gòu)建其平臺。

踐行云原生DataOps，需要正確的方式和工具。當(dāng)下我們正需要用一款工具及平臺解決目前繁雜的數(shù)據(jù)開發(fā)問題，在實(shí)踐中降低邁入數(shù)據(jù)大門的門檻。目前由智領(lǐng)云自主研發(fā)的一款即開即用，快速搭建數(shù)據(jù)工程的新一代在線DataOps大數(shù)據(jù)平臺–BDOS Online已上線，歡迎大家免費(fèi)試用。

分享到

zhupb

相關(guān)推薦