ArangoDB具有其固有的多模型功能，非常適合您的機器學(xué)習(xí)工作負(fù)載。ArangoMLPipeline現(xiàn)在可以作為云服務(wù)使用——ArangoMLPipeline Cloud。

機器學(xué)習(xí)基礎(chǔ)設(shè)施的ArangoML

在構(gòu)建生產(chǎn)級機器學(xué)習(xí)基礎(chǔ)設(shè)施時，ArangoML在整個機器學(xué)習(xí)生命周期中提供對通用元數(shù)據(jù)存儲的支持，并支持機器學(xué)習(xí)模型的再現(xiàn)性、監(jiān)控和審計。

多模型動力機器學(xué)習(xí)

ArangoDB支持分析任務(wù)和多模型機器學(xué)習(xí)。當(dāng)處理結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)的混合時，它特別有用，因為ArangoDB可以本地高效地管理不同的數(shù)據(jù)模型。

機器學(xué)習(xí)基礎(chǔ)設(shè)施的ArangoML

眾所周知，訓(xùn)練數(shù)據(jù)是訓(xùn)練機器學(xué)習(xí)模型的重要前提。但對于構(gòu)建生產(chǎn)級機器學(xué)習(xí)平臺，我們實際上應(yīng)該同樣關(guān)注另一種類型的數(shù)據(jù)：元數(shù)據(jù)。生產(chǎn)機器學(xué)習(xí)平臺由許多不同的步驟和組件組成：

這些組件中的大多數(shù)產(chǎn)生某種元數(shù)據(jù)，包括例如對數(shù)據(jù)集的引用、具有相關(guān)訓(xùn)練和測試精度的訓(xùn)練運行、模型服務(wù)統(tǒng)計、將訓(xùn)練模型鏈接到用于訓(xùn)練的數(shù)據(jù)集的來源信息等等。數(shù)據(jù)科學(xué)家和數(shù)據(jù)操作人員需要通用的元數(shù)據(jù)存儲來回答以下問題：哪個模型是用這個數(shù)據(jù)集訓(xùn)練的，哪個特性可以產(chǎn)生最佳的測試精度。

在這里，ArangoML提供了一個簡單的界面，可以跨您最喜歡的機器學(xué)習(xí)框架和工具進(jìn)行訪問。

由于ArangoML由ArangoDB的多模型功能支持，因此它可以存儲非結(jié)構(gòu)化數(shù)據(jù)，例如特定訓(xùn)練運行（文檔）的訓(xùn)練統(tǒng)計信息，以及與相關(guān)數(shù)據(jù)集和結(jié)果模型的連接（圖）。所以上面的查詢基本上變成了圖遍歷。

ArangoMLPipeline是一個強大而簡單的工具，用于促進(jìn)數(shù)據(jù)操作和數(shù)據(jù)科學(xué)之間的團隊合作，但也允許為審計員提供詳細(xì)的審計跟蹤和整個機器學(xué)習(xí)環(huán)境的高級分析。

多模型動力機器學(xué)習(xí)

ArangoDB為不同的數(shù)據(jù)模型（包括圖形、文檔和鍵值）提供本機支持，并允許使用單個查詢語言跨所有模型進(jìn)行查詢。

這些多模型功能在用于特征工程的機器學(xué)習(xí)平臺中特別有用，因為它們使用戶能夠?qū)⒉煌臄?shù)據(jù)方面組合成特征，而這些特征又可以被機器學(xué)習(xí)框架（如TensorFlow或PyTorch）用于訓(xùn)練模型。

數(shù)據(jù)量至關(guān)重要，尤其是對于現(xiàn)代深度學(xué)習(xí)而言。作為分布式數(shù)據(jù)庫的ArangoDB還可以處理對于單個節(jié)點來說太大的數(shù)據(jù)集（例如，圖形）。

此外，ArangoDB本機支持大量圖算法，包括PageRank、頂點中心性、頂點貼近度、連接組件或社區(qū)檢測。

所有這些功能使ArangoDB和本地的多種模型成為許多機器學(xué)習(xí)用例的一個非常有用的工具。

審核編輯：劉清