Redislabs
Pieter Cailliau、LucaAntiga
翻译：
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 alt="让你的AI模型尽可能的靠近数据源">
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:
<强>模型服务可以更简单
在生产环境中,使用Jupyter笔记本电脑来编写代码并将其部署在瓶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,实现已有的复述,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通过复述,企业级的数据存储方案,支持深度学习所需要的张量,模型和脚本等数据类型,很好的实现了复述和AI模型的深度整合。如果需要扩展模型的计算能力,只需要简单的对复述,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复述,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。
