PLATAFORMA SPARK: CATAPULTA MACHINE … · componentes de sistemas construidas por el Laboratorio...

Meetup Big Data. México, D.F.

29 de julio de 2015

PLATAFORMA SPARK:

CATAPULTA MACHINE LEARNING

Dr. Gabriel Guerrero

www.saxsa.com.mx

http://www.saxsa.com/

Introducción

La catapulta de Leonardo, una herramienta genial. Permite con

poco esfuerzo enviar un objeto pesado a gran distancia.

La plataforma Spark, es una catapulta del Aprendizaje

Automatizado (ML Machine Learning).

PLATAFORMA SPARK: CATAPULTA MACHINE LEARNING


29 de julio de 2015 2



29 de julio de 2015

El marco de referencia (framework) Spark permite

a los algoritmos y técnicas del Aprendizaje

Automatizado (ML), llegar a horizontes de aplicación

inusitados

INUSITADO. Adjetivo. Que es inusual o raro y por

ello resulta sorprendente. No habitual

3


¿Cuándo surge?

En 2009, el proyecto Spark inicia en la Universidad de California en Berkeley con los

trabajos de tesis doctoral de Matei Zaharia, quien es un alumno de los profesores Ion

Stoica y Michael Franklin.




¿Cuándo surge Spark? (cont.)

En 2010, se pone a disposición como Código Abierto (Open Source) con licenciamiento

tipo BSD.

En 2013, el proyecto se ofrece a la Apache Software Foundation y su licenciamiento se

ofrece como tipo Apache 2.0.

En 2014, el marco de referencia Spark se convierte en proyecto tipo Apache Top-Level

Project. Se acelera su divulgación y uso de forma vertiginosa.




¿Cómo surge?En una entrevista, el Profesor Ion Stoica nos cuenta la historia:

“…Por los años 2009, se tenía un proyecto denominado

Nexus, derivado del curso Temas Avanzados de Ciencias

de la Computación (“Advanced Topics in Computer

Systems”) del Prof. David Culler, el cual cambió de nombre

posteriormente a Mesos por cuestiones de derechos de

autor con otro proyecto con ese mismo nombre.”

(https://soundcloud.com/oreilly-radar/apache-sparks-

journey-from-academia-to-industry)



https://soundcloud.com/oreilly-radar/apache-sparks-journey-from-academia-to-industry


Este proyecto escolar inicial, derivó en la construcción del sistema Mesos como un

sistema de manejo de un cluster, en el que colaboran Benjamin Hindman, Andy

Konwinski, y Matei Zaharia.

El sistema Mesos es un marco de referencia (framework) para el manejo de un cluster.

Soporta varios diferentes tipos de sistemas de cluster (cluster management framework,

which can support different kind of cluster computing systems).




Uno de los tesistas era Benjamin Hindman, quien fue contratado por Twitter

y donde fue uno de los promotores de BigData en Twitter.

El sistema Mesos se documenta y presenta en el artículo: “A Common

Substrate for Cluster Computing”, que puede consultarse en:

https://www.usenix.org/legacy/event/hotcloud09/tech/full_papers/hindman.pdf

Recientemente, Hindman se incorpora a Mesosphere, una compañía que

promueve Mesos.



https://www.usenix.org/legacy/event/hotcloud09/tech/full_papers/hindman.pdf


Así en el año 2009 se tenía el marco de referencia Mesos.

Se deseaba mostrar que podía construirse utilizando este marco

de referencia, un ambiente de cómputo distribuido al estilo

Hadoop, pero mejorando los aspectos de cómputo iterativo e

interactivo que eran debilidades del aspecto procesamiento de

Hadoop MapReduce.




Dentro de las principales aplicaciones de cómputo iterativo e

interactivo tenemos precisamente las técnicas de Aprendizaje

Automatizado (Machine Learning).

Y así nace Spark como un proyecto que se construye utilizando

el marco de referencia Mesos para ofrecer un ambiente de

cómputo distribuido tolerante a fallas que soportara procesos

iterativos e interactivos como los requiere el Aprendizaje

Automatizado.




En esa época la Universidad de Berkeley desarrollaba un proyecto

para utilizar Hadoop Map/Reduce para técnicas y algoritmos

de ML (Machine Learning), que tenía diversos

inconvenientes.

Por lo cual uno de los principales objetivos de Spark era ofrecer

soporte a algoritmos de Aprendizaje Automatizado en un

contexto de Grandes Volúmenes para sistemas iterativos e

interactivos.




En esas fechas por los pasillos de la UC Berkeley existía un ambiente de

investigación promovida por Michael Franklin, con el fin de impulsar

sistemas que permitan el manejo de grandes volúmenes, con una

perspectiva de aplicación a sistemas de análisis y toma de decisiones

fundamentada en Aprendizaje Automatizado.

Lo que ahora se denomina Analíticos en Grandes Volúmenes

(Big Data Analytics).

En ese entonces se tenía el RADLab (Reliable And Distributed computing

Lab) . Desde 2009, gran parte de las investigaciones y tesis doctorales se

enfocan en Big Data y Analíticos de Grandes Volúmenes de Datos.




La entrevista a Michael Franklin se encuentra en

https://medium.com/s-c-a-l-e/amplab-s-co-creator-on-where-big-data-is-

headed-and-why-spark-is-so-big-f0c0da2f7c0f

Así, en 2011, Michael Franklin y Ion Stoica, con financiamientos de la

Iniciativa BigData Obama y de empresas como Amazon WebServices,

Google, SAP y otras crean el AMPLab (Algorithms Machines

People).



https://medium.com/s-c-a-l-e/amplab-s-co-creator-on-where-big-data-is-headed-and-why-spark-is-so-big-f0c0da2f7c0f


Spark ofrece también soporte para un sistema de enunciados SQL interactivos, como los

requeridos por la compañía Conviva para el manejo de video y sistemas analíticos.

En un inicio, el problema de la distribución de video era como realizar decisiones

inteligentes para rutear y transmitir video en tiempo real sin fallas en la transmisión en una

red Internet con fallas.

La compañía Conviva, fundada en 2006, monitorea y

optimiza video en línea para las proveedoras de video en

tiempo real más importantes, en donde el Dr. Ion Stoica,

es cofundador y CTO (Chief Technology Officer).




La plataforma Conviva es un sistema en tiempo real que permite a los proveedores de

contenido en Internet en formato video (video streaming) ofrecer el contenido con calidad de

TV en Internet, sin importar las fallas de red y conectividad Internet.

Hoy Conviva maneja más de 4 mil millones de torrentes de videos (video streaming), con más

de 1.6 mil millones de dispositivos y más de 200 proveedores de servicios de Video en

Internet.




Así otra de los requerimientos que se deseaba en Spark es trabajar torrentes de datos

(Spark Streaming) y enunciados (SQL) de extracción en grandes volúmenes de datos (SQL

Spark), lo que motivo líneas de investigación del Prof. Ion Stoica y los tesistas de la

Universidad de California en Berkeley (UC Berkeley).




Antecedentes de Spark

Antes del mundo Spark surgieron una gran diversidad de contribuciones y sistemas del

cómo manejar datos para su búsqueda y análisis

●1962 Árbol AVL (Georgy Adelson-Velsky y Yevgeni Mijáilovich Landis)

Esta es la estructura de Árbol AVL propuesto por los matemáticos rusos, que ofrece la

mejor forma de almacenar contenido para su búsqueda.




● 1992. Berkeley DB.

Bibliotecas de instrumentación del concepto AVL que fueron propuestas dentro

del sistema de archivos Unix y que, en una instrumentación fuera de Unix,

ofrecen unos investigadores de UC Berkeley, fundando una compañía:

Sleepycat.

Esta biblioteca se mejora e instrumenta en forma de código inmerso para crear

el concepto de Base de datos inmersa (Embedded database)




● 2003 Berkeley DB XML

● 2003 Google File System

● 2004 Berkeley DB JavaEdition

● 2004 MapReduce

● 2006 Berkeley DB Oracle 2006

● 2006 BigTable

● 2008 Dremel




Bibliotecas Spark

El marco de referencia (framework) Spark ofrece un conjunto de bibliotecas para el desarrollo

de aplicaciones. Entre las bibliotecas básicas integradas en la versión núcleo se tienen:




Spark SQL Es el modulo para el trabajo con datos estructurados.

Spark Streaming permite la construcción sencilla de aplicaciones escalables y tolerantes a

fallas utilizando torrentes de datos.

MLlib es una biblioteca escalable con algoritmos de Aprendizaje Automatizado (scalable

machine learning library).

GraphX es la biblioteca de Apache Spark para grafos y cómputo paralelo de grafos.




BDAS, Berkeley Data Analytics Stack

Con el objetivo de ofrecer un ambiente integral para el conjunto de aplicaciones de grandes

volúmenes de datos distribuidos y tolerante a fallos, el marco de referencia (framework)

Spark continúa añadiendo componentes en una forma unificada.

Este es el proyecto BDAS (Berkeley Data Analytics Stack)




BDAS es una pila de aplicaciones de código abierto (open source software stack) que integra las

componentes de sistemas construidas por el Laboratorio AMPLab de UC Berkeley alrededor del

concepto de Analíticos de Grandes Volúmenes (BigData Analytics)




Algoritmos de Aprendizaje Automatizado (ML) en Spark

MLlib es la biblioteca de Spark que es escalable de algoritmos de Aprendizaje Automatizado

(Machine Learning Library) que incluye herramientas como clasificación (classification),

regresión (regression), agrupación (clustering), filtrado colaborativo (collaborative filtering),

reducción de dimensiones (dimensionality reduction).




Hoy la idea es NO INVENTAR EL AGUA TIBIA en el Aprendizaje Automatizado de Grandes

Volúmenes de Datos (BigData Analytics), y aplicar el tipo de algoritmo más conveniente a un

problema y NO PROGRAMAR DESDE EL INICIO los algoritmos.

Hoy debemos pensar en los Algoritmos de Aprendizaje Automatizado

como instrumentos o utensilios como en una analogía de un gran banquete




Hoy los comensales quieren bocadillos y banquetes JUSTO A TIEMPO y de FORMA

INSTANTANEA (Streaming) para una gran población (usuarios Internet) en un extenso

territorio (cobertura Internet), sin importar si en la cocina se prepararon con el mejor horno (Spark y BDAS) y las mejores recetas (Algoritmos ML eficientes) !!




Hoy Spark ofrece uno de los mejores instrumentos con una gran variedad de “recetas de

ML”, en particular ya se cuenta en MLlib 1.3 los siguientes algoritmos listos para utilizarse:

Ver página Spark ML

http://spark.apache.org/docs/latest/mllib-guide.html



http://spark.apache.org/docs/latest/mllib-guide.html


• Tipos de datos

• Estadísticas Básicas

• Estadísticas de Resumen

• Correlación

• Muestreo estratificado

• Prueba de hipótesis

• Generación aleatoria de datos

• Clasificación y regresión

• Modelos lineales (Máquinas de vectores de soporte

[SVMs], regresión logística, regresión lineal)

• Clasificador Bayesiano ingenuo

• Árboles de decisión

• Conjuntos de Árboles (Bosques Aleatorios y

Árboles de decisión impulsados)

• Regresión Isotónica




• Filtrado Colaborativo

• Mínimos Cuadrados Alternantes (ALS)

• Agrupamiento

• K-medias

• Mezclas Gaussianas

• Agrupamiento por método de las potencias (PIC)

• Asignación latente de Dirichlet (LDA)

• Streaming de K-medias

• Reducción de dimensión

• Descomposición de valor único (SVD)

• Análisis de componentes principales (PCA)

• Extracción y transformación de características

• Minería por patrones frecuentes

• Crecimiento FP

• Optimización (desarrollador)

• Método de gradiente descendente estocástico

• Límite de memoria BFGS (L-BFGS)

• Exportación de modelos PMML




Resumen

Hoy la plataforma Spark y los algoritmos de Aprendizaje

Automatizado incluidos en sus bibliotecas ofrecen a la

Ciencia de Datos (Data Science) una Catapulta para

promover la generación de aplicaciones de Analíticos de

Grandes Volúmenes de Datos (BigData Analytics),

en particular en la rama de Aprendizaje Automatizado en Tiempo Real

utilizando la componente Spark Streaming y SQL Sparkpara la extracción de información con enunciados SQL.




¿Qué aprenderás?

1. El uso de Apache Hadoop y Spark con el lenguaje de programación Scala en forma local y cluster

2. Ejemplos de aplicación de SQL Spark, Minería de Datos (Data Mining) con bibliotecas Machine

Learning (ML) y de Bases de Datos de Grafos con Spark GraphX. Se realizan ejercicios con lenguaje

Scala de creación de grafos y algoritmos ML, como “clasificación”, “regresión” y “agrupación”, entre

otros.

3. Manejo de torrentes de datos (Data Streaming) con ejemplos de utilización de Spark Streaming con

fuentes de datos de Twitter y sockets TCP/UDP

4. Una breve introducción al sistema Apache Kakfa de mensajería tipo “publicar y suscribir” (publish-

subscribe messaging system)



PLATAFORMA SPARK: CATAPULTA MACHINE … · componentes de sistemas construidas por el Laboratorio...

Documents

Transcript of PLATAFORMA SPARK: CATAPULTA MACHINE … · componentes de sistemas construidas por el Laboratorio...