模型的部署
模型部署是将预测解决方案有效地应用于实践的过程，
这项任务一般由与建模过程相分离的应用程序完成
服务部署主要包括构建、组装、测试和部署服务。于创建、发布、发现和调用服务的候选技术
部署说明
部署环境通常与预测解决方案要监控的系统和流程紧密集成
需要经常对模型进行更新，所以必须关注互操作性和开放式标准需求。
预见性维护--防御型编程
部署类型
广告和推荐级别的部署
业务模型级别的部署
语言----R Python Scala Java
关注：模型以及模型的数据流
业务模型的上线流程部署场景和对应的方案
1.对于离线的预测以及分析
01.直接采用Rscript model.r 或者 Python model.py的方式来预测
使用这种工作方式需要一个调度工具，可以用shell的Crontab做定时任务，当然如果
公司有统一的调度工具，则使用其规定的调度工具吧
02. 写一下R的预测脚本，比如predict.R，是你的主预测的模型；
然后用shell封装成xx.sh，比如predict.sh，shell里面调用模型，存储数据
最后用Crontab来进行调度
03.使用Spark模型上线---将数据存储到数据库中--SQL
2.实时响应--小批量数据
01.Rserve---服务器上部署好R环境和安装好Rserve，
然后用JAVA写好SOA接口，调用Rserve来进行预测
提供：Rserve上线的文件只需要提供两个：
- 模型结果文件（XX.Rdata）
- 预测函数（Pred.R）
02.R model转换PMML的方式
01.Python----httpserver---部署好Python环境
然后用JAVA写好SOA接口，调用-httpserver-来进行预测
02.Python ---模型转换成PMML上线方法
3.实时响应-大批量数据
01. <1>训练模型--<2>将训练好的模型转换成PMML--<3>把模型封装成一个类，用Java调用这个类来预测
需要提供模型文件和预测主类；--模型封装成类
Spark--放在spark集群，不脱离spark环境--打jar包
说明
模型数据：
数据存放两个批次的数据，用来预防无法取到最新的数据，则用上一批次的数据来进行填充；
容灾---接口都需要有容灾机制
跟踪输入输出数据-log的查看和性能方面的监控--校验数据和检验API的稳定性
设置不同的key、不同的更新频次 和 不同的过期时间
数据流之间如何耦合和解耦，如何进行容灾、平台稳定、可用也是需要重点考虑的。
高性能、跨域
PMML 预测模型标记语言（Predictive Model Markup Language，PMML）
是一种可以呈现预测分析模型的事实标准语言。Java 的JPMML ----生成pmml文件
如果你的model training 和 prediction 都是同一种语言(或者工具),其实你没必要使用PMML。
因为无论是R,Python或者SparkML都有自己标准的输出格式可以直接Load。
个人觉得PMML的使用场景主要是prediction的环境和training环境不在一起。
离线训练模型之后,直接在prediction环境读取PMML获得训练后的模型，
而且没必要在prediction环境装相应的工具（R/Python/Spark等）。
通常是因为生产环境安装这些环境不方便。
SOA--- Service-Oriented Architecture<面向服务的体系结构>
接口---接口是干什么的、需要什么参数、可能返回的结果以及可能抛出的错误
思维意识
-架构思维 ---如何进行架构设计是最合理的，
你要考虑是否需要字段冗余、行存储还是列存储、字段如何扩展最有效，
热数据和冷数据如何拆
数据质量---来源可靠性以及检验
危机意识--会数据分析、提炼结论、洞察数据背后的原因，了解业务，懂算法。
参考：
何为 PMML？https://www.ibm.com/developerworks/cn/opensource/ind-PMML1/
链接：https://www.zhihu.com/question/29793218/answer/137087671
干货 | 机器学习算法线上部署方法 http://mp.weixin.qq.com/s/KxClgDgPBy2fYA_4bCVebA