Lyft 开源 Flyte：云原生机器学习和数据处理平台

Lyft 是一家交通网络公司，总部位于美国加利福尼亚州旧金山，以开发移动应用程序连结乘客和司机，提供载客车辆租赁及实时共乘的分享型经济服务。乘客可以通过发送短信或是使用移动应用程序来预约这些载客的车辆，利用移动应用程序时还可以追踪车辆的位置。Lyft 的多个核心业务功能都引入了机器学习技术，包括路线算法、定价算法、司机匹配算法等，Lyft 计划在未来数月向业界开源这些人工智能算法的模拟器测试技术。在 Uber 最近发布了一款开源的人工智能调试工具 Manifold 后，Lyft 随即就发布了 Flyte。今天，我们带来了 Lyft 产品经理 Allyson Gale 撰写的 Flyte 文章，介绍了 Flyte 的方方面面。

日前，Lyft 很高兴地宣布开源 Flyte，这是一个面向高并发、可扩展、可维护工作流的结构化编程和分布式处理平台。Flyte 已经在 Lyft 提供了三年多的生产模型训练和数据处理服务，成为团队事实上的平台，如定价、位置、预计到达时间（Estimated Time of Arrivals，ETA）、地图、自动驾驶（L5）等等。实际上，Flyte 在 Lyft 管理着超过 7000 个独特的工作流，每月执行总计超过 10 万次、100 万个任务和 1000 万个容器。在本文中，我们将介绍 Flyte，概述它解决的问题类型，并提供示例来说明如何利用它来满足你的机器学习和数据处理需求。

Lyft 众多定价工作流之一，在 Flyte UI 中以可视化方式显示。此工作流由 Rider Pricing 团队的 Tim Wang 创建

Flyte 解决的问题

由于现在数据已经成为公司的主要资产，执行大规模的计算作业对业务来说至关重要，但从运营角度来看是存在问题的。扩展、监视和管理计算集群成了每个产品团队的负担，由此拖慢了迭代，从而拖累了产品的创新。此外，这些工作流通常具有复杂的数据依赖关系。如果没有平台抽象的话，依赖管理将会变得难以维系，并使跨团队的协作和重用变得不可能。

Flyte 的任务是通过抽象这些开销来提高机器学习和数据处理的开发速度。我们通过可靠、可扩展、协调的计算解决了问题，使团队可以专注于业务逻辑而不是机器。此外，我们支持在租户之间共享和重用，因此，一个问题只需解决一次即可。随着数据和机器学习之间的的融合，包括从事这些工作的人员角色，这一点变得越来越重要。

为了让你更好地理解 Flyte 是如何让这一切变得简单的，在本文中，我们将概述一些关键特性。

托管、多宿主和无服务器

有了 Flyte，你才能得以从繁杂的基础设施中解脱出来，从而可以专注于业务问题而不是机器。作为一项多租户服务，你可以在自己的独立 Repo 中工作，并在不影响平台其余部分的情况下进行部署和扩展。你的代码已经版本化，使用其依赖项进行容器化，并且每次执行都是可重现的。

参数、数据沿袭和缓存

所有 Flyte 任务和工作流都具有强类型的输入和输出。这使得你可以将工作流进行参数化，拥有丰富的数据沿袭，并使用预计算工件的缓存版本成为可能。例如，如果你正在进行超参数优化，那么你可以在每次运行时轻松调用不同的参数。此外，如果运行调用的任务是之前执行时已经计算过的，那么 Flyte 将会智能地使用缓存的输出，从而达到既节省时间又节省金钱。

示例：使用 FlyteKit 声明任务

在上面的示例中，我们使用这里提供的数据集来训练 XGBoost 模型。机器学习管道使用 Python 构建，由以下四个任务组成，这四个任务与典型的机器学习过程相一致：

1. 数据准备和测试验证拆分。

2. 模型训练。

3. 模型验证与评分。

4. 计算指标。

请注意，每个任务是如何参数化和强类型化的，这使得尝试不同的变体和与其他任务结合使用变得更加容易。此外，这些任务中的每一个都可以是任意复杂的。例如，对于大型数据集，Spark 更适合用于数据准备和验证。然而，模型训练可以在一个用 Python 编码的简单模型上完成。最后，请注意，我们是如何将任务标记为可缓存的，这可以极大地加快运行速度并节省成本。

下面，我们将这些任务组合起来创建一个工作流（或谓之“管道”）。工作流将任务链接在一起，并使用基于 Python 的领域特定语言（domain specific language，DSL）在任务之间传递数据。

示例：在 FlyteKit 中声明工作流

译注：数据沿袭（data lineage），根据维基百科的定义，它被定义为一个数据生命周期，包括数据的起源和随时间移动的位置。它描述了数据在经历不同过程时发生的情况。它有助于提供对分析管道的可见性，并简化对错误源的跟踪。

版本化、可复制性和可共享性

Flyte 中的每个实体都是不可变的，每个更改都显式地被捕获为一个新版本。这使得迭代、实验和回滚工作流变得简单高效。此外，Flyte 使你能够跨工作流共享这些版本化的任务，通过避免个人和团队之间的重复工作来加快开发周期。

可扩展性、模块化和灵活性

工作流通常由异构步骤组成。例如，一个步骤可能使用 Spark 来准备数据，而下一个步骤可能使用这些数据来训练深度学习模型。每个步骤都可以用不同的语言编写，并使用不同的框架。Flyte 通过将容器映像绑定到任务来支持异构性。

通过扩展，Flyte 任务可以是任意复杂的。它们可以是任何内容，从单个容器执行，到配置单元集群中的远程查询，再到分布式 Spark 执行。我们还认识到，该作业的最佳任务可能托管在其他地方，因此，可以利用任务可扩展性将单点解决方案与 Flyte 捆绑在一起，从而将其绑定到你的基础设施中。具体来说，我们有两种扩展任务的方法：

FlyteKit 扩展：允许贡献者提供与新服务或系统的快速集成。

后端插件：当需要对任务的执行语义进行细粒度控制时，Flyte 提供后端插件。这些可用于创建和管理 Kubernetes 资源，包括 Spark-on-k8s 之类的 CRD，或者 Amazon Sagemaker、Qubole、BigQuery 等任何远程系统。

Flyte 架构的高级概述

结语

Flyte 的构建是为了在现代产品、公司和应用程序所需的规模上支持并加速机器学习和数据编排。Lyft 和 Flyte 共同发展，一起目睹了现代处理平台所提供的巨大优势，我们希望 Flyte 开源之后，你也能从中获益。要了解更多信息，请参与进来，通过访问 www.flyte.org 并查看我们的 GitHub 账户：https://github.com/lyft/flyte 来尝试一下！

作者简介：

Allyson Gale，Lyft 产品经理。曾在 Google Search 和 Android 部门工作。对道德和决策充满好奇。

原文链接：

https://eng.lyft.com/introducing-flyte-cloud-native-machine-learning-and-data-processing-platform-fb2bb3046a59