用于实时 AI/ML 的特征存储:基准测试、架构和案例研究
实时人工智能/机器学习 (AI/ML) 用例,如欺诈预防和推荐,正在兴起,特征存储在部署……方面发挥着关键作用。
随着实时 AI/ML 基于用例融入我们生活的方方面面,使用实时数据以低延迟交付基于 ML 的用例变得越来越具有挑战性。Redis 企业版专为处理大型数据集的高吞吐量、低延迟评分而构建,是可扩展且经济实惠的在线特征存储的答案,可以实现大规模实时特征服务。
越来越多的 ML 用例依赖于其在线特征存储进行在线预测服务,同时消耗新的特征。以低延迟持续可靠地提供这些特征非常具有挑战性。
大规模地做到这一点是传统数据库无法满足的挑战。
使用新鲜的实时数据实时交付基于 ML 的用例会直接影响客户体验或改善业务成果。但是,可靠地在线交付这些预测,以便用户与应用程序交互,同时从流式源消耗实时特征,这是非常具有挑战性的。
随着数字化转型的兴起,基于 ML 的应用程序依赖于庞大且不断增长的数据集,这些数据集拥有数百到数千个特征,以大规模的方式为 ML 系统提供支持。这增加了持续且经济高效地实时提供特征的任务的复杂性和成本。
当今的 ML 为欺诈检测和推荐系统等关键业务用例提供支持。这些应用程序需要可靠且一致的低延迟和高吞吐量服务,这些服务可以扩展到潜在的 TB 级数据集。您组织的 MLOps 平台需要一个在线特征存储,能够在复杂性、容量和速度提高的情况下满足这些严格的要求。
从数据库获取特征查找以进行在线推理,响应延迟低于毫秒级,跟上即时事务或实时应用程序,并确保良好的客户体验。
Redis 企业版提供内置的持久性和单秒级故障转移,采用双活部署,确保零数据丢失,无服务中断,适合您最重要的流程和数据。
Redis 企业版提供多租户和智能分层内存访问,以及 Redis on Flash,降低高达 80% 的成本,而不影响性能。