cube-studio 社区2023上半年主要规划

[data-infra]

思维导图：

思维导图地址

mlops一站式平台

登录授权：

• 多种登录方式的示例，账号密码，github， 微信登录，AUTH_OID(支持)，AUTH_LDAP(支持)，AUTH_REMOTE_USER(支持)缺少示例

• 多租户，rbac权限管理，项目管理

数据平台：

• 数据接入模块：支持http/cos/..等离线接口，支持kafka/pulsar..等实时接口，支持源或者目的hive，ck，druid等（模块缺少）
• 离线元数据：
  • 支持仅管理离线元数据
  • 定时脚本将远程数据库元数据同步到离线元数据内(比如离线同步hive元数据到元数据模块),支持离线元数据模块操作ddl远程数据库(比如增减hive列)
  • 实时查询远程元数据，并支持实时ddl远程数据库。
  • 离线/实时管理，支持hive/clickhouse/mysql/pg/druid等数据库类型
• 血缘关系：
  • 支持表+任务+看板+字段+指标+特征，之间的血缘链路关联，支持离线导入血缘链路管理，前端进行可视化展示
• 指标管理
• 维表管理： 支持mysql/postgresql作为维表数据库
• sql查询引擎：
  • 支持ck hive，impala，presto，druid等统一查询引擎
  • 支持多任务，查询记录，统一sql解析拦截，异步查询，提供标准sql查询基础类
• 数据ETL：
  • 提供标准 任务编排，任务管理模块，任务实例，任务成功率
  • 支持airflow，ds，az调度器
• 推送：
  • 封装推送功能模块：支持邮件，企业微信，钉钉等推送方式
  • 支持文本，图片，html等推送模式

AI平台：

• notebook：
  • 支持基础vscode/jupyter开发环境，支持ssh等功能
  • 大数据版本，数据挖掘版本，深度学习版本，
  • 添加使用示例，比如sparksql/impala/presto/clickhouse/mysql/postgresql等分析建模示例
  • 添加flink实时分析示例
  • 添加百G大数据单机数据分析能力Arrow、vaex、duckdb等数据分析能力
• 镜像仓库管理：
  • 仓库管理
  • 镜像管理
  • 镜像调试
• 任务模板:
  • 添加数据处理模板(导入导出，sqoop，spark等任务类型)
  • 添加特征处理模板(归一化，转换，...)
  • 添加模型处理模板(模型压缩，模型转换..)
  • 添加分布式训练模板
• 任务流编排
• 任务流调试
  • 去除对kubernetes dashboard的依赖，提供服务支持pod，搜索，日志的查看，删除，执行命令界面
  • kubeflow-pipeline依赖去除
  • 支持任务结果可视化
• automl
  • nni超参搜索
  • ray超参搜索
  • 特征选择
  • 框架选择
  • 模型压缩
• 特征平台
• 数据集
  • 数据集存储中心
  • 数据集管理，版本管理等
  • sdk中支持数据自动导入
  • 支持数据集上传
• 标注平台，集成label studio，与其他模块数据打通
• 模型管理
• 服务管理
  • 内部服务
  • 推理服务
    • 添加triton标准镜像
    • 视频推流sidecar

基础架构能力：

• 分布式存储方案：
  • 完善juicefs分布式存储方案
  • 体质sidecar分布式存储挂载，而不是单机挂载
  • 支持alluxio分布式加速
• 添加边缘集群部署脚本
  • 添加super edge部署cube studio方案
  • 添加kube edge部署cube studio方案
• 私有仓库部署方案：
  • docker-compose部署harbor方案
  • k8s部署harbor方案

web框架：

• 支持通用pipeline编排，合并frontend/vison/visonPlus代码
• 通用血缘，支持任务流调试界面，去除kfp依赖
• 中英文支持
• 通用可视化模板

AIHub应用市场

sdk

• 前后端

  • 适配pc端/手机端)
  • 登录，
  • 微信打开限制，
  • 广告sdk，
  • 功能弹窗，
  • 大视频文件在线播放，
  • 支持视频流，
  • 分享到朋友圈，
  • 访问统计，
  • 热度排行，
  • 智能推荐

• pip包

  • 标准化镜像构建标准
  • 支持生成web服务，微信端服务
  • 支持转训练，注册为job 模板
  • 支持转推理api，批处理，弹性离线推理
  • 支持数据数据集上传和自动加载，与数据集平台对接，外部数据集转内部数据集

算法模型

• 传统机器学习（jupyter形式）：

  • 基础技能：pandas，matplotlib，pyecharts，
  • 关联挖掘：关联分析（Apriori、FP-growth）
  • 分类：决策树（ID3、C4.5、CART）、K最近邻算法(KNN)、kd树、极大似然估计、EM算法、文档分类器，朴素贝叶斯分类器，费舍尔分类器、线性函数、线性回归、正则化、逻辑分类/逻辑回归/一般线性回归、支持向量机SVM、核方法、集成学习（Bagging、Boosting、RF、AdaBoost、GBDT、xgboost）、GBDT算法、XGBOOST算法、CTR/CVR中的FM、FFM算法、LightGBM算法
  • 聚类：层次聚类、BIRCH聚类、k均值聚类、k中心点聚类、DBSCAN密度聚类
  • 图论：最小生成树（MST）的Prim算法和Kruskal算法
  • 搜索引擎：

• 深度学习模型：

  • 机器视觉

    • deoldify
    • humanseg
    • stable-diffusion
    • stable-diffusion 9国语言版本
    • stable-diffusion 动漫版本
    • yolov3
    • yolov5
    • animegan
    • panoptic
    • mnist
    • ddddocr
    • gfpgan
    • paddleocr
    • speaker-diarization
    • paddledetection
    • parlai
    • pix2pix
    • vehicle
    • 其他都可以加
    • 其他都可以加
    • 其他都可以加

  • 听觉

    • wenet
    • paddlespeech-asr
    • paddlespeech-tts
    • paddlespeech-cls
    • 其他都可以加
    • 其他都可以加
    • 其他都可以加

  • 自然语言

    • ner
    • opus-mt-en-zh
    • opus-mt-zh-en
    • whisper-large
    • wav2vec2-large-xlsr-53-chinese-zh-cn
    • lang-id-voxlingua107-ecapa

社区运营：

• 组织线下活动，比如社区例会，定期下线见面会
• 撰写或更新文档，完善github wiki文档，公众号文章，跟踪大厂使用case
• 知识社区的运营，比如知乎，csdn，B站等，发布帮助视频
• 帮助新用户，群内答疑
• 发展社区大使，推广社区