[Data Mining, Big Data, R, Управление разработкой] Нюансы эксплуатации R решений в enterprise окружении
Автор
Сообщение
news_bot ®
Стаж: 6 лет 9 месяцев
Сообщений: 27286
Решения на базе R, как классические «отчетные», так и в контуре операционной аналитики, очень хорошо себя зарекомендовали в enterprise окружении. Несомненно, значительную роль в этом играет компания RStudio и ее увлеченный коллектив. В коммерческих продуктах RStudio можно не думать об инфраструктурных вопросах, а просто обменять небольшую денежку на готовые решение «из коробки» и положиться на их разработчиков и поддержку. В open-source редакциях, а большинство инсталляций в российских компаниях именно такие, приходится думать про инфраструктурные вопросы самостоятельно.Решения на R хорошо закрывают нишу «средних данных», когда данных «чуть больше» чем влезает в excel или в ненастроенную реляционку и нужны сложные алгоритмы и процессинг, но когда разворачивать пусковой комплекс бигдаты еще более чем рано. Речь идет о десятках-сотнях террабайт в полном объеме, которые легко умещаются в бэкенд на Cliсkhouse. Важный момент: все находится во внутреннем контуре, в подавляющем большинстве случаев ПОЛНОСТЬЮ отрезанном от интернета.Является продолжением серии предыдущих публикаций, уточняет публикацию «Конструктивные элементы надежного enterprise R приложения».
ПроблематикаДля продуктивного решения необходимо обеспечить воспроизводимость результатов и вычислений. Задача воспроизводимости делится на несколько различных направлений. Крупными блоками можно выделить:
- инфраструктурная воспроизводимость. Многие вопросы закрываются комбинацией технологий docker + renv + git.
- программная воспроизводимость. Многие вопросы закрываются технологией пакетов и автотестов.
- статистическая «похожесть» выдаваемых результатов. Тут уже возникает специфика каждой отдельной задачи. Ниже предложены отдельные моменты, позволяющие ее обеспечить.
В чем заключается сложность?Алгоритмы, «выкатываемые в продуктив»
- могут быть многофазными с совокупным временем расчета несколько часов;
- могут использовать кроме данных из основного бэкенда множество дополнительных неструктурированных источников данных (внешние справочники, excel файлы, технические логи и т.д.);
- опираются на данные, которые поступают от постоянно изменяемых объектов наблюдения и эволюционируют во времени;
- могут активно использовать случайные выборки из данных бэкенда;
- могут в рамках своего жизненного цикла постоянно уточняться и модифицироваться.
- могут иметь на выходе не один показатель, а семейства таблиц в которых каждая метрика характеризуются своим распределением;
- оценка корректности работы алгоритма может быть проведена только в конце вычислений, по расчету стат. характеристик выданных таблиц.
В таких случаях крайне затруднительно сделать тестовый набор данных (рефересный снапшот), а для ИТ служб задача бэкапа всего инстанса БД зачастую становится либо крайне дорогой либо непосильной. Приходится дополнять аналитические решения дополнительным модулем статистической самодиагностики, исполняемым как в продуктивном процессе так и по требованию. А также приходится применять широкий спектр средств отладки для быстрой диагностики возникших отклонений, как в prod контуре (постфактум), так и в dev среде.Контроль в продуктивном контуреИсходные постулаты
- Валидация и логирование являются одним из основных способов. Чем раньше будет обнаружена ошибка, тем легче ее локализовать.
- Техническая и логическая валидация поступающих параметров как при вызове собственных функций, так и при загрузке данных из источников.
- Валидация стат. характеристик загружаемых источников позволяет обнаружить перекосы уже на этапе ввода.
- Необходимо выбирать компромисс между глубиной охвата и сложностью проверок и временем их проведения.
- Маркируйте используемые в расчетах данные и по мере возможности оставляйте на диске временные дампы data.frame в критических точках с тем, чтобы можно было повторно «проиграть» непонятную ситуацию при отладке.
ЛогированиеСуществуют несколько популярных пакетов для логирования, каждый может выбрать на свой вкус:
Также есть подходы к логированию warning и message, все очень хорошо расписано в документации на указанные пакеты.
Стоит отметить, что в многопоточном исполнении логфайлы могут являться единственным окошком к сути происходящего в другом потоке.С точки зрения формирования дампов, штатный подход с использованием .Rds файлов для данных среднего размера (1-1000 Гб Ram) никуда не годится.
Существует 3 хорошие многопоточные альтернативы:
У каждого из формата есть свои сильные стороны -- оптимальный вариант можно выбрать исходя из задачи. Какой объект сохраняется, нужен ли межплатформенный доступ, нужен ли последующий выборочный доступ с диска и т.д. Детальные бенчмарки и сравнения можно найти по приведенным ссылкам.ВалидацияКомбинируйте в зависимости от задачи и вкуса:
- checkmate -- физическая + базовая логическая;
- skimr -- базовая логическая;
- validate -- логическая;
- testthat / tinytest -- логическая;
- dplyr / data.table -- логическая.
Есть и другие пакеты, если этого будет недостаточно. Любители альтернативных решений могут почитать репозиторий Win-Vector.Трекинг пайплайновОчень часто вычисления проводятся через pipe (%>%). Все промежуточные результаты скрыты. Если что-то идет не так (а особенно часто «рвет» на слиянии со справочниками по «уникальному ключу», который ни разу не уникальный), то по выходу очень тяжело понять проблемный шаг. В таких случаях помогают пакеты, фиксирующие характеристики объектов, передаваемых посредством . с шага шаг.Вот примеры полезных пакетов для трекинга:
- tidylog. Тут важно, что tidylog перехватывает глаголы tidyverse, поэтому конструкции dpylr::mutate останутся без трекинга.
- lumberjack. Сохраняем изменения
ОтладкаЕсть масса хороших публикаций насчет отладки, например:
- Статья «Debugging with RStudio by Jonathan McPherson»
- Книга «Advanced R», гл. «Debugging»
Какие сценарии на практике оказываются крайне востребованными (shiny здесь не затрагиваем)?
- browser(). Никаких точек останова в IDE. Хардкорное прерывание в любом месте и в любом сценарии исполнения. Бонусом -- доп. трюк ниже.
- debug()/undebug()/debugonce(). Для отладки функций, в т.ч., прилинкованных из пакетов.
- traceback(). Докапываемся до причины в цепочке ассертов.
- options(datatable.verbose = TRUE). Что творится у основной рабочей лошадки data.table под капотом (план запроса, перформанс, ошибки).
- utils::getFromNamespace и пр. Хирургический скальпель для модификации функций из пакетов.
- Пакеты waldo и diffobj. Прецизионное сравнение небольших объектов.
- pryr::object_size(). Честное «взвешивание» объектов.
- Пакет reprex. Запрашиваем помощь друга.
- Пакет gginnards. Отладка графиков ggplot.
Трюк по использованию browser(), отлаживаем внутренние циклы data.table.
library(data.table)
library(magrittr)
dt <- as.data.table(mtcars) %>%
.[, {m <- head(.SD, 2); print(ls()); browser(); m}, by = gear]
#> [1] "-.POSIXt" "am" "carb" "Cfastmean" "cyl" "disp"
#> [7] "drat" "gear" "hp" "m" "mpg" "print"
#> [13] "qsec" "strptime" "vs" "wt"
#> Called from: `[.data.table`(., , {
#> m <- head(.SD, 2)
#> print(ls())
#> browser()
#> m
#> }, by = gear)
ПрофилировкаЗачастую профилировка кода с целью повышения производительности помогает найти концептуальные проблемы по применению тех или иных функций. Длительное исполнение за счет неэффективных преобразований внутри функций (своих и чужих) порождает массу проблем и не дает реализовать алгоритм так, как хотелось бы изначально.
- bench
- microbenchmark
- system.time({…})
- profvis
- proffer
Заключение
- Инструменты и методы приведены.
Но что помогает более всего? Постоянно улучшать методы разработки и написания кода. Компактный, лаконичный, понятный и эффективный код будет содержать куда меньше ошибок.
- Для отдельного класса задач может оказаться целесообразно использовать make инструменты. drake/targets
Предыдущая публикация -- «Как в enterprise приручить при помощи R технологии process mining?».
===========
Источник:
habr.com
===========
Похожие новости:
- [Open source, Разработка игр, Графический дизайн, Дизайн игр, DIY или Сделай сам] Приглашаю к созданию русской народной игры «Колобок»
- [Assembler, Программирование микроконтроллеров] Assembler Editor Plus: Добавление нового микроконтроллера
- [Разработка систем связи] Работа телеком-операторов, DDoS-атаки, сетевые технологии и инфраструктура — подборка материалов
- [SaaS / S+S, Управление продуктом] Как организовать эффективное управление продуктом в b2b
- [C++, Разработка под Arduino, DIY или Сделай сам, Data Engineering] ESP 8266: отправка данных на сайт методом Get запроса
- [Бизнес-модели, Финансы в IT, Криптовалюты] JPMorgan предупредил о влиянии Tether на крипторынки
- [Open source, Разработка под Linux, Софт] Бета версия OpenBSD поддерживает чип Apple M1
- [Разработка под Windows, Софт] В сборке 21318 Windows 10 буфер обмена получил инструмент управления
- [GitHub, Реверс-инжиниринг, Копирайт, Игры и игровые приставки] Фанатский проект по реверс-инжинирингу GTA 3 и Vice City попал под запрет DMCA
- [Информационная безопасность, CTF] HackTheBox. Прохождение Feline. RCE через сереализацию в Java и LPE через докер сокеты
Теги для поиска: #_data_mining, #_big_data, #_r, #_upravlenie_razrabotkoj (Управление разработкой), #_data_science, #_enterprise, #_bigdata, #_data_mining, #_big_data, #_r, #_upravlenie_razrabotkoj (
Управление разработкой
)
Вы не можете начинать темы
Вы не можете отвечать на сообщения
Вы не можете редактировать свои сообщения
Вы не можете удалять свои сообщения
Вы не можете голосовать в опросах
Вы не можете прикреплять файлы к сообщениям
Вы не можете скачивать файлы
Текущее время: 22-Ноя 19:47
Часовой пояс: UTC + 5
| Автор | Сообщение |
|---|---|
|
news_bot ®
Стаж: 6 лет 9 месяцев |
|
|
Решения на базе R, как классические «отчетные», так и в контуре операционной аналитики, очень хорошо себя зарекомендовали в enterprise окружении. Несомненно, значительную роль в этом играет компания RStudio и ее увлеченный коллектив. В коммерческих продуктах RStudio можно не думать об инфраструктурных вопросах, а просто обменять небольшую денежку на готовые решение «из коробки» и положиться на их разработчиков и поддержку. В open-source редакциях, а большинство инсталляций в российских компаниях именно такие, приходится думать про инфраструктурные вопросы самостоятельно.Решения на R хорошо закрывают нишу «средних данных», когда данных «чуть больше» чем влезает в excel или в ненастроенную реляционку и нужны сложные алгоритмы и процессинг, но когда разворачивать пусковой комплекс бигдаты еще более чем рано. Речь идет о десятках-сотнях террабайт в полном объеме, которые легко умещаются в бэкенд на Cliсkhouse. Важный момент: все находится во внутреннем контуре, в подавляющем большинстве случаев ПОЛНОСТЬЮ отрезанном от интернета.Является продолжением серии предыдущих публикаций, уточняет публикацию «Конструктивные элементы надежного enterprise R приложения». ПроблематикаДля продуктивного решения необходимо обеспечить воспроизводимость результатов и вычислений. Задача воспроизводимости делится на несколько различных направлений. Крупными блоками можно выделить:
Стоит отметить, что в многопоточном исполнении логфайлы могут являться единственным окошком к сути происходящего в другом потоке.С точки зрения формирования дампов, штатный подход с использованием .Rds файлов для данных среднего размера (1-1000 Гб Ram) никуда не годится. Существует 3 хорошие многопоточные альтернативы: У каждого из формата есть свои сильные стороны -- оптимальный вариант можно выбрать исходя из задачи. Какой объект сохраняется, нужен ли межплатформенный доступ, нужен ли последующий выборочный доступ с диска и т.д. Детальные бенчмарки и сравнения можно найти по приведенным ссылкам.ВалидацияКомбинируйте в зависимости от задачи и вкуса:
library(data.table)
library(magrittr) dt <- as.data.table(mtcars) %>% .[, {m <- head(.SD, 2); print(ls()); browser(); m}, by = gear] #> [1] "-.POSIXt" "am" "carb" "Cfastmean" "cyl" "disp" #> [7] "drat" "gear" "hp" "m" "mpg" "print" #> [13] "qsec" "strptime" "vs" "wt" #> Called from: `[.data.table`(., , { #> m <- head(.SD, 2) #> print(ls()) #> browser() #> m #> }, by = gear)
=========== Источник: habr.com =========== Похожие новости:
Управление разработкой ) |
|
Вы не можете начинать темы
Вы не можете отвечать на сообщения
Вы не можете редактировать свои сообщения
Вы не можете удалять свои сообщения
Вы не можете голосовать в опросах
Вы не можете прикреплять файлы к сообщениям
Вы не можете скачивать файлы
Вы не можете отвечать на сообщения
Вы не можете редактировать свои сообщения
Вы не можете удалять свои сообщения
Вы не можете голосовать в опросах
Вы не можете прикреплять файлы к сообщениям
Вы не можете скачивать файлы
Текущее время: 22-Ноя 19:47
Часовой пояс: UTC + 5