ArangoDB具有其固有的多模型功能，非常適合您的機器學習工作負載。ArangoMLPipeline現(xiàn)在可以作為云服務使用——ArangoMLPipeline Cloud。

機器學習基礎設施的ArangoML

在構建生產(chǎn)級機器學習基礎設施時，ArangoML在整個機器學習生命周期中提供對通用元數(shù)據(jù)存儲的支持，并支持機器學習模型的再現(xiàn)性、監(jiān)控和審計。

多模型動力機器學習

ArangoDB支持分析任務和多模型機器學習。當處理結構化和非結構化數(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。

機器學習基礎設施的ArangoML

眾所周知，訓練數(shù)據(jù)是訓練機器學習模型的重要前提。但對于構建生產(chǎn)級機器學習平臺，我們實際上應該同樣關注另一種類型的數(shù)據(jù)：元數(shù)據(jù)。生產(chǎn)機器學習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、具有相關訓練和測試精度的訓練運行、模型服務統(tǒng)計、將訓練模型鏈接到用于訓練的數(shù)據(jù)集的來源信息等等。數(shù)據(jù)科學家和數(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習框架和工具進行訪問。

由于ArangoML由ArangoDB的多模型功能支持，因此它可以存儲非結構化數(shù)據(jù)，例如特定訓練運行（文檔）的訓練統(tǒng)計信息，以及與相關數(shù)據(jù)集和結果模型的連接（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，用于促進數(shù)據(jù)操作和數(shù)據(jù)科學之間的團隊合作，但也允許為審計員提供詳細的審計跟蹤和整個機器學習環(huán)境的高級分析。

多模型動力機器學習

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行查詢。

這些多模型功能在用于特征工程的機器學習平臺中特別有用，因為它們使用戶能夠將不同的數(shù)據(jù)方面組合成特征，而這些特征又可以被機器學習框架（如TensorFlow或PyTorch）用于訓練模型。

數(shù)據(jù)量至關重要，尤其是對于現(xiàn)代深度學習而言。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習用例的一個非常有用的工具。

審核編輯：劉清