Flink 在人工智能领域的应用实践

人工智能是未来十年最重要的技术革命与驱动力，在各行各业产生着日益重要的作用，它与大数据的发展相辅相成，不仅推动人类社会迈入更智慧的世界，也为数据的应用带来无可估量的价值。

11 月 28 - 30 日，Flink Forward Asia 2019 人工智能专场将聚焦于 Flink 在机器学习上的新技术与新应用，内容包含：

Flink 机器学习进度几何？

如何将 Flink 与TensorFlow等框架相结合？

有哪些 Flink 在机器学习上的生产实践应用？

为你呈现 Flink 机器学习的具体应用实践与最新技术落地案例。

Deep Learning On Apache Flink

陈龙 |Tencent Engineer

本次演讲将介绍一个新的 Flink 项目 dlonflink。它能够使 Flink 具备运行分布式训练和实时更新模型服务的能力，用户不仅可以使用 Scala 开发，而且可以基于Python，只需修改几行代码即可在 Flink 上运行 TensorFlow，同时也支持 PyToch 和 MXNet。我们将详细介绍Java和 Python 之间数据交换相关的设计以及框架管理的实现。

在 Flink 上使用 Analytics-Zoo 进行大数据分析与深度学习模型推理的架构与实践

史栋杰 |英特尔资深软件架构师

英特尔资深软件架构师。多年从事企业级计算、风控、大数据分析、云计算容器编排、数据分析与人工智能领域的研发，英特尔开源框架 BigDL 与 Analytics-Zoo 的贡献者之一。主要分享内容如下：

Analytics-Zoo 简介：基于 Apache Spark、Tensorflow、Keras 和 BigDL 的大数据分析+AI平台。

将大数据上的深度学习应用部署到生产环境，Flink 流处理场景的支持及使用 OpenVINO 加速。

一种基于消息订阅和 Flink 流处理的 Cluster Serving 架构。

Apache Flink + TensorFlow，携程实时智能异常检测平台实践

潘国庆 | 携程大数据研发经理

随着近几年的发展，实时计算的技术日趋成熟，实时计算的场景也越来越繁多，Flink 也渐渐成为实时计算引擎的首选之一，从简单的实时 ETL 到复杂的 CEP 场景 Flink 都能够很好的驾驭。

本次分享主要介绍携程如何基于 Flink 与 Tensorflow 构建携程实时智能异常检测平台，用于解决规则告警系统准确率低、时效性低、规则配置复杂与耗费人力等诸多问题，实现业务指标毫秒级延迟与智能化检测，依托 Flink 实现了强大的容错机制。

基于 Apache Flink 的机器学习算法平台实践与开源

杨旭 | 阿里巴巴资深算法专家

阿里巴巴计算平台事业部正在与 Flink 社区合作，开源自研的机器学习算法库，基于该算法库，用户可以更方便地构建高性能的 Flink 机器学习作业。我们希望通过开源来促进 Flink 社区在机器学习领域的发展。同时也欢迎更多开发者与我们携手共进，建立更强大、更完整的 Flink 算法库。

本次分享主要围绕团队基于 Flink 研发高性能机器学习算法库过程中的技术积累与收获，以及开源的进展。

Apache Flink AI Ecosystem Effort

陈戊超 | 阿里巴巴技术专家 高赟 | 阿里巴巴技术专家

Flink 是一个分布式计算引擎，支持批流一体的数据处理。在实际生产中的人工智能使用场景中，Flink 在包括特征工程，在线学习，在线预测等方面都有一些独特优势，为了更好的支持人工智能的使用场景，社区以及各个生态厂商都做了一些工作，本演讲将几点介绍近期 Flink 在人工智能生态系统中的工作进展。

Flink MLPipline: 定义了在 Flink 上运行机器学习工作流程的 API 包括特征工程，模型训练，模型预测等。

Alink：是基于 Flink的机器学习算法库。

Flink ML Workflow：以 Flink 为基础，结合深度学习框架 TensorFlow / PyTorch 为用户提供了串联整个机器学习工作链路中各个阶段的 API，并且同时支持批和流的运行模式。

Streaming-based mini-batch iteration architecture：Flink 在流运行模式下支持迭代的新架构设计。