作者：彭鋒 宋文欣等

來源：智領(lǐng)云科技

大部分企業(yè)的數(shù)據(jù)平臺建設(shè)要想順利過渡到第三階段，則離不開一個關(guān)鍵方法論—DataOps（數(shù)據(jù)運(yùn)維）的幫助。

DataOps 與 DevOps 十分形似，也有著與 DevOps 類似的軟件開發(fā)角色，它是數(shù)據(jù)工程師簡化數(shù)據(jù)使用、實現(xiàn)以數(shù)據(jù)驅(qū)動企業(yè)的方法，也是企業(yè)順利實現(xiàn)第三階段的關(guān)鍵。因此，本節(jié)將介紹 DataOps 的概念，解釋為什么它對于企業(yè)從數(shù)據(jù)中獲取真正價值、實現(xiàn)數(shù)字化運(yùn)營以及建設(shè)數(shù)據(jù)中臺都非常重要。?

?圖 1?Gartner 對 DataOps 的定位

什么是 DataOps

維基百科對 DataOps 的定義是：一種面向流程的自動化方法，由分析和數(shù)據(jù)團(tuán)隊使用，旨在提高數(shù)據(jù)分析的質(zhì)量并縮短數(shù)據(jù)分析的周期。DataOps 的這一定義會隨著時間的推移而變化，但其關(guān)鍵目標(biāo)非常明確：提高數(shù)據(jù)分析的質(zhì)量并縮短數(shù)據(jù)分析的周期。

在2018年Gartner發(fā)布的《數(shù)據(jù)管理技術(shù)成熟度曲線》報告中，DataOps 的概念被首次提出（圖 1）。該報告指出，DataOps雖然可以降低數(shù)據(jù)分析的門檻，但并不會使數(shù)據(jù)分析變成一項簡單的工作。與 DevOps 的落地一樣，實施成功的數(shù)據(jù)項目也需要做大量的工作，例如深入了解數(shù)據(jù)和業(yè)務(wù)的關(guān)系、樹立良好的數(shù)據(jù)使用規(guī)范和培養(yǎng)數(shù)據(jù)驅(qū)動的公司文化。當(dāng)然，DataOps 將極大提高人們使用數(shù)據(jù)的效率并降低使用數(shù)據(jù)的門檻，公司可以更快、更早、更好地使用數(shù)據(jù)，且成本和風(fēng)險更低。

DataOps 解決的問題

大數(shù)據(jù)的大多數(shù)應(yīng)用可以分為 AI（人工智能）或 BI（商業(yè)智能）。此處的 AI 是指廣義的人工智能，包括機(jī)器學(xué)習(xí)、數(shù)據(jù)挖掘以及其他從數(shù)據(jù)中獲取以前未知知識的技術(shù)。BI 則更多地使用統(tǒng)計方法將大量數(shù)據(jù)匯總成更簡單的報告，方便人們理解。簡而言之，AI 使用各種數(shù)據(jù)算法來計算新的東西，BI 則是統(tǒng)計人們可以理解的數(shù)字。

編寫 AI 或 BI 程序并不難，你可以基于 TensorFlow 在幾個小時內(nèi)寫一個人臉識別程序，或者使用 MATLAB 繪制一些數(shù)據(jù)可視化圖形，甚至用 Excel 也不難實現(xiàn) AI 或 BI 程序。問題在于，要實際使用生產(chǎn)結(jié)果來支持面向用戶的產(chǎn)品或根據(jù)這些神奇的數(shù)字來決定公司的命運(yùn)，你需要做的就不只是手動工作了。?根據(jù) Dimensional Research 在 2017 年做的一項調(diào)查，對于想要實施大數(shù)據(jù)應(yīng)用的公司來說，圖 2 中列出的問題最為困難。

圖 2?大數(shù)據(jù)實施主要困難

在“ Hidden Technical Debt in Machine Learning Systems ”這篇論文中，Google 的數(shù)據(jù)分析師研究發(fā)現(xiàn)，對于大多數(shù)機(jī)器學(xué)習(xí)項目，只有 5% 的時間花在編寫 ML 代碼上，另外 95% 的時間用于設(shè)置運(yùn)行 ML 代碼所需的基礎(chǔ)設(shè)施（見圖 3）。

圖 3?Google 關(guān)于機(jī)器學(xué)習(xí)中隱藏的技術(shù)債的研究

在這兩項研究中，我們可以很容易地看到許多艱苦的工作實際上并不是在編寫代碼。整個基礎(chǔ)設(shè)施的準(zhǔn)備工作以及高效運(yùn)行生產(chǎn)級別的代碼是非常費時費力的，而且經(jīng)常伴隨著各種風(fēng)險。在 Google 的研究中，他們引用了來自 Twitter 大數(shù)據(jù)團(tuán)隊Jimmy Lin 和 Dmitry Ryaboy 的話：“我們的大部分工作可以被描述為‘?dāng)?shù)據(jù)管道工’。”實際上，DataOps 的目的就是使管道工的工作更簡單和高效。

DataOps 的目標(biāo)功能

DataOps 旨在縮短整個數(shù)據(jù)分析的周期。它的主要使用對象是數(shù)據(jù)應(yīng)用開發(fā)人員，包括數(shù)據(jù)工程師和數(shù)據(jù)科學(xué)家。因此，從搭建基礎(chǔ)架構(gòu)到使用數(shù)據(jù)應(yīng)用的結(jié)果，通常需要實現(xiàn)以下功能。

• 部署：包括基礎(chǔ)架構(gòu)和應(yīng)用程序。無論底層硬件基礎(chǔ)設(shè)施如何，配置新系統(tǒng)環(huán)境都應(yīng)該快速而簡單。部署新應(yīng)用程序應(yīng)該花費幾秒而不是幾小時或幾天時間。

• 運(yùn)維：系統(tǒng)和應(yīng)用程序的可擴(kuò)展性、可用性、監(jiān)控、恢復(fù)和可靠性。數(shù)據(jù)應(yīng)用開發(fā)人員不必?fù)?dān)心運(yùn)維，可以專注于業(yè)務(wù)邏輯。

• 治理：數(shù)據(jù)的安全性、質(zhì)量和完整性，包括審計和訪問控制。所有數(shù)據(jù)都在一個支持多租戶的安全環(huán)境中以連貫和受控的方式進(jìn)行管理。

• 可用：用戶應(yīng)該能夠選擇他們想要用于數(shù)據(jù)開發(fā)和分析的工具，隨時拿到他們可用的數(shù)據(jù)，并根據(jù)需要輕松開發(fā)和運(yùn)行數(shù)據(jù)分析應(yīng)用。應(yīng)將對不同分析、ML、AI 框架的支持整合到系統(tǒng)中。

• 生產(chǎn)：通過調(diào)度和數(shù)據(jù)監(jiān)控，可以輕松地將分析程序轉(zhuǎn)換為生產(chǎn)應(yīng)用，構(gòu)建從數(shù)據(jù)抽取到數(shù)據(jù)分析的生產(chǎn)級數(shù)據(jù)流水線，并且數(shù)據(jù)應(yīng)該易于使用并由系統(tǒng)管理。

簡而言之，DataOpsi 遵循類似于 DevOps 的方法：從編寫代碼到生產(chǎn)部署的路徑（包括調(diào)度和監(jiān)控）應(yīng)由同一個人完成，并遵循系統(tǒng)管理的標(biāo)準(zhǔn)。與提供許多標(biāo)準(zhǔn) CI、部署、監(jiān)控工具以實現(xiàn)快速交付的 DevOps 類似，通過標(biāo)準(zhǔn)化大量大數(shù)據(jù)組件，新手可以快速建立生產(chǎn)級的大數(shù)據(jù)應(yīng)用并充分利用數(shù)據(jù)的價值。

DataOps 的主要技術(shù)

DataOps 的主要方法論仍處于快速發(fā)展階段。像 Facebook 和Twitter 這樣的公司通常會有專門的數(shù)據(jù)平臺團(tuán)隊（Data Platform Team）處理數(shù)據(jù)運(yùn)營并實現(xiàn)數(shù)據(jù)項目。但是，它們的實現(xiàn)方式大多與公司現(xiàn)有的 Ops 基礎(chǔ)設(shè)施集成，因而不適用于其他公司。不過我們可以從它們的成功中學(xué)習(xí)經(jīng)驗，并建立一個可以由每家公司輕松實施的通用大數(shù)據(jù)平臺。要構(gòu)建 DataOps 所需的通用平臺，一般需要以下技術(shù)。

• 云架構(gòu)：必須使用基于云的基礎(chǔ)架構(gòu)來支持資源管理、可擴(kuò)展性和運(yùn)營效率。

• 容器：容器在 DevOps 的實現(xiàn)中至關(guān)重要，在資源隔離和提供一致開發(fā)、測試、運(yùn)維環(huán)境中的作用也至關(guān)重要。

• 實時和流處理：目前來看，實時和流處理在數(shù)據(jù)驅(qū)動平臺中變得越來越重要，它們應(yīng)該是現(xiàn)代數(shù)據(jù)平臺中的“一等公民”。

• 多分析引擎：MapReduce 是傳統(tǒng)的分布式處理框架，但Spark 和 TensorFlow 等框架日常使用越來越廣泛，應(yīng)該進(jìn)行集成。

• 集成的應(yīng)用程序和數(shù)據(jù)管理：應(yīng)用程序和數(shù)據(jù)管理（包括生命周期管理、調(diào)度、監(jiān)控、日志記錄支持）對于生產(chǎn)數(shù)據(jù)平臺至關(guān)重要。DevOps 的常規(guī)實踐可應(yīng)用于應(yīng)用程序管理，但是數(shù)據(jù)管理及應(yīng)用程序與數(shù)據(jù)之間的交互需要很多額外的工作。

• 多租戶和安全性：數(shù)據(jù)安全性可以說是數(shù)據(jù)項目中最重要的問題，如果數(shù)據(jù)無法得到保護(hù)，數(shù)據(jù)使用也就無從談起。該平臺應(yīng)為每個人提供一個安全的環(huán)境，使每個人都可以使用這些數(shù)據(jù)并對每個操作進(jìn)行授權(quán)、驗證和審核。

• DevOps 工具：該平臺應(yīng)為數(shù)據(jù)科學(xué)家提供有效的工具，以分析數(shù)據(jù)并生成分析程序，為數(shù)據(jù)工程師提供大數(shù)據(jù)流水線的工具，并為其他人提供消費數(shù)據(jù)和結(jié)果的方法。

DataOps 與數(shù)據(jù)中臺

DataOps 的核心任務(wù)是提高數(shù)據(jù)分析的質(zhì)量并縮短數(shù)據(jù)分析的周期，是高效打造數(shù)據(jù)中臺的必經(jīng)之路，因此可以將 DataOps作為數(shù)據(jù)中臺建設(shè)必須參考的一個方法論。要建設(shè)一個高效的業(yè)務(wù) IT 系統(tǒng)，采用 DevOps 并不是必要條件，但是絕大部分公司會采取 DevOps 的方法論和技術(shù)體系，因為這是經(jīng)過實踐檢驗的高效和普適的方式。

與 DevOps 一樣，DataOps 的使用與發(fā)展也是一個需要正確工具和正確思維加持的持續(xù)過程。DataOps 的目標(biāo)是以正確的方式更容易地實現(xiàn)大數(shù)據(jù)項目，以達(dá)到用更少的工作量從數(shù)據(jù)中獲得最大的價值的目的。

在過去幾年中，隨著云計算和容器技術(shù)的成熟，大數(shù)據(jù)操作的標(biāo)準(zhǔn)化成為可能。加之?dāng)?shù)據(jù)驅(qū)動的企業(yè)文化被廣泛接受，DataOps 終于準(zhǔn)備好進(jìn)入大家的視野。我們相信這一運(yùn)動將降低實施大數(shù)據(jù)項目的門檻，使每個企業(yè)和機(jī)構(gòu)都能夠更容易地獲取數(shù)據(jù)的最大價值。

可以看到，DataOps 與數(shù)據(jù)中臺需要解決的問題其實是類似的，都希望能夠更快、更好地實現(xiàn)數(shù)據(jù)價值，支持?jǐn)?shù)字化運(yùn)營，但是二者強(qiáng)調(diào)的重點不同：

• 數(shù)據(jù)中臺強(qiáng)調(diào)的是數(shù)據(jù)的統(tǒng)一管理和避免重復(fù)開發(fā)，是數(shù)據(jù)能力的抽象、共享和復(fù)用；

• DataOps 強(qiáng)調(diào)的是數(shù)據(jù)應(yīng)用的開發(fā)和運(yùn)維效率，就像DevOps 解放了開發(fā)人員的生產(chǎn)力一樣，DataOps 希望通過提供一整套工具和方法論，來讓數(shù)據(jù)應(yīng)用的開發(fā)和管理更加高效。

不過，雖然如此，但二者都是解決現(xiàn)有大數(shù)據(jù)平臺問題的必經(jīng)之路。數(shù)據(jù)中臺強(qiáng)調(diào)的是戰(zhàn)略層次的布局，必須有一個中臺來承擔(dān)所有數(shù)據(jù)能力的管理和使用；DataOps 強(qiáng)調(diào)的是戰(zhàn)術(shù)層面的優(yōu)化，如何讓各個開發(fā)和使用實際數(shù)據(jù)應(yīng)用的人員更加高效。可以說數(shù)據(jù)中臺描述了最終的目標(biāo)，而 DataOps 提供了一條實現(xiàn)這個目標(biāo)的最佳路徑。

總結(jié)

以上是生活随笔為你收集整理的一文读懂DataOps的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。