近年来，机器学习在工业和生产环境中变得无处不在。学术和工业机构以前都把重点放在培训和生产模型上，但重点已经转移到生产培训模型上。现在我们听到越来越多的机器学习实践者真的在试图找到正确的模型部署选项。在大多数情况下，部署意味着将经过训练的模型发送到某个基于看不见的实时或批处理数据进行预测的系统，并将这些预测提供给某个最终用户，同样是实时的或成批的。这说起来容易做起来难。组织在部署这些模型时面临许多挑战：前期复杂性——将模型部署到生产中可能需要大量的前期工作，这可能会使部署过程减慢数周甚至更长时间。脱节的团队——在团队尝试处理持久性格式、库依赖关系和不同的部署环境时，跨团队共享用于培训和部署的模型可能会带来挑战。特征化逻辑——在模型应用步骤中，几乎总是有数据处理和特征化逻辑，这又增加了在部署模型时要实现的另一件事。不一致的部署环境-针对不同场景的不同部署系统可能导致机器学习预测逻辑的行为不同，从而产生细微的错误结果。引入机器学习输出我们很高兴地宣布一个强大的新特性Databricks-ML-Model-Export正式上市。这个Databricks特性通过允许您从apachespark MLlib导出模型和完整的机器学习管道，进一步推动了我们在数据工程和数据科学领域统一分析的努力。这些导出的模型和管道可以导入其他（Spark和non-Spark）平台进行评分和预测。这一新功能可以替代Spark中的批处理和流预测，允许公司轻松构建低延迟和轻量级的机器学习驱动的应用程序。模型的无缝部署在与客户交谈时，一致的反馈意见之一是他们喜欢在我们的平台上进行数据科学，但是他们必须在不同的系统中重新实现代码才能部署到生产环境中。有了这个新的导出特性，Databricks可以真正充当一个端到端的平台，以极快的速度和更高的可靠性构建、培训和部署机器学习模型。更多信息要了解有关如何开始使用Databricks Machine Learning Export以及其他相关信息的更多信息，请查看以下资源：文档示例应用程序随需应变网络研讨会：生产用于实时预测服务的Apache Spark MLlib模型-由Joseph Bradley和Sue Ann Hong演示。另外，请关注一个后续博客，它将深入探讨这个新功能的内部工作原理。免费试用Databricks。今天就开始吧