来源：Redislabs
作者：Pieter Cailliau、LucaAntiga
翻译：Kevin

创新互联是网站建设专家,致力于互联网品牌建设与网络营销，专业领域包括成都做网站、成都网站设计、成都外贸网站建设、电商网站制作开发、微信小程序定制开发、微信营销、系统平台开发，与其他网站设计及系统开发公司不同，我们的整合解决方案结合了恒基网络品牌建设经验和互联网整合营销的理念，并将策略和执行紧密结合，且不断评估并优化我们的方案，为客户提供全方位的互联网品牌整合方案！

简介

今天我们发布了一个 RedisAI 的预览版本，预集成了[tensor]werk组件。RedisAI 是一个可以服务 tensors 任务和执行深度学习任务的 Redis 模块。在这篇博客中，我们将介绍这个新模块的功能，并解释我们为什么会认为它能颠覆机器学习（ML）、深度学习（DL）的解决方案。
RedisAI 的产生有两大原因：首先，把数据迁移到执行 AI 模型的主机上成本很高，并且对实时性的体验很大的影响；其次，Serving 模型一直以来都是 AI 领域中 DevOps 的挑战。我们构建 RedisAI 的目的，是让用户可以在不搬迁Redis 多节点数据的情况下，也能很好地服务、更新并集成自己的模型。

数据位置很重要

为了证明运行机器学习、深度学习模型中数据位置的重要性，我们举一个聊天机器人的例子。聊天机器人通常使用递归神经网络模型（RNN），来解决一对一（seq2seq）用户问答场景。更高级的模型使用两个输入向量、两个输出向量，并以数字中间状态向量的方式来保存对话的上下文。模型使用用户最后的消息作为输入，中间状态代表对话的历史，而它的输出是对用户消息和新中间状态的响应。

为了支持用户自定义的交互，这个中间状态必须要保存在数据库中，所以 Redis +RedisAI是一个非常好的选择，这里将传统方案和 RedisAI 方案做一个对比。

1、传统方案

使用 Flask 应用或其它方案，集成 Spark 来构建一个聊天机器人。当收到用户对话消息时，服务端需要从 Redis 中获取到中间的状态。因为在 Redis 中没有原生的数据类型可用于 tensor，因此需要先进行反序列化，并且在运行递归神经网络模型（RNN）之后，保证实时的中间状态可以再序列化后保存到 Redis 中。

考虑到 RNN 的时间复杂度，数据序列化/反序列化上 CPU 的开销和巨大的网络开销，我们需要一个更优的解决方案来保证用户体验。

2、RedisAI 方案
在 RedisAI 中，我们提供了一种叫 Tensor 的数据类型，只需使用一系列简单的命令，即可在主流的客户端中对 Tensor向量进行操作。同时，我们还为模型的运行时特性提供了另外两种数据类型：Models 和 Scripts。

Models 命令与运行的设备（CPU 或 GPU）和后端自定义的参数有关。RedisAI 内置了主流的机器学习框架，如 TensorFlow、Pytorch 等，并很快能够支持 ONNX Runtime 框架，同时增加了对传统机器学习模型的支持。然而，很棒的是，执行 Model 的命令对其后端是不感知的：

AI.MODELRUN model_key INPUTS input_key1 …  OUTPUTS output_key1 ..

这允许用户将后端选择（通常由数据专家来决定）和应用服务解耦合开来，置换模型只需要设置一个新的键值即可，非常简单。RedisAI 管理所有在模型处理队列中的请求，并在单独的线程中执行，这样保障了 Redis依然可以响应其它正常的请求。Scripts 命令可以在 CPU 或GPU 上执行，并允许用户使用 TorchScript 来操作Tensors 向量，TorchScript 是一个可操作 Tensors 向量的类 Python 自定义语言。这可以帮助用户在执行模型前对数据进行预处理，也可以用在对结果进行后处理的场景中，例如通过集成不同的模型来提高性能。

RedisAI 的数据类型和后端概览

我们计划未来通过 DAG 命令支持批量执行命令，这会允许用户在一个原子性操作中批量执行多个 RedisAI 命令。例如在不同的设备上运行一个模型的不同实例，通过脚本对执行结果做平均预测。使用 DAG 命令，就可并行地进行计算，再执行聚合操作。如果需要全量且更深的特性列表，可以访问 redisai.io。新的架构可以简化为：

模型服务可以更简单

在生产环境中，使用 Jupyter notebooks 来编写代码并将其部署在Flask 应用并不是最优方案。用户如何确定自己的资源是最佳的呢？如果用户主机宕机之后，上述聊天机器人的中间状态会发生什么呢？用户可能会重复造轮子，实现已有的 Redis 功能来解决问题。另外，由于组合方案的复杂度往往超出预期，固执地坚持原有的解决方案也会非常有挑战性。RedisAI 通过 Redis 企业级的数据存储方案，支持深度学习所需要的 Tensors、Models 和 Scripts等数据类型，很好的实现了 Redis 和 AI 模型的深度整合。如果需要扩展模型的计算能力，只需要简单的对Redis 集群进行扩容即可，所以用户可以在生产环境中增加尽可能多的模型，从而降低基础设施成本和总体成本。最后，RedisAI 很好地适应了现有的 Redis 生态，允许用户执行脚本来预处理、后处理用户数据，可使用 RedisGear 对数据结构做正确的转换，可使用RedisGraph 来保持数据处于最新的状态。 

结论和后续计划

1、短期内，我们希望使用RedisAI 在支持 3 种主流后端（Tensorflow、Pytorch 和 ONNX Runtime）的情况下，尽快稳定下来并达到稳定状态。
2、我们希望可以动态加载这些后端，用户可以自定义的加载指定的后端。例如，这将允许用户使用Tensorflow Lite 处理边缘用例。3、计划实现自动调度功能，可以实现在同一模型中实现不同队列的自动合并。4、RedisAI会统计模型的运行数据，用于衡量模型的执行情况。

5、完成上文中解释的DAG 特性。

更多优质中间件技术资讯/原创/翻译文章/资料/干货，请关注“中间件小哥”公众号！

另外有需要云服务器可以了解下创新互联cdcxhl.cn，海内外云服务器15元起步，三天无理由+7*72小时售后在线，公司持有idc许可证，提供“云服务器、裸金属服务器、高防服务器、香港服务器、美国服务器、虚拟主机、免备案服务器”等云主机租用服务以及企业上云的综合解决方案，具有“安全稳定、简单易用、服务可用性高、性价比高”等特点与优势，专为企业上云打造定制，能够满足用户丰富、多元化的应用场景需求。

分享题目：让你的AI模型尽可能的靠近数据源-创新互联
路径分享：http://chengdu.cdxwcx.cn/article/djipgj.html