РИТ-2014: Ноотропы RDF для BigData

Ноотропы RDF для BigData
Леонид Юрьев,
Петер-Сервис R&D,
Сколково

ТЕМАТИКА ДОКЛАДА ≈ RDF
40% = Базы данных и системы хранения
30% = Технологии будущего
20% = Серверное программирование
10% = про жизнь… )
≈ 30 слайдов

Леонид Юрьев
• 20-25 лет программирую
• системный архитектор в
матрице Петер-Сервис R&D
• TopGun DPI & 1Hippeus
leo@yuriev.ru
leonid.yuriev@billing.ru

• решения для крупных операторов связи:
BSS, Telco protocols, BigData, HA & HighLoad
• ≈20 лет полного цикла: разработка,
внедрение и сопровождение
• более 100 миллионов абонентов обслуживается
при участи наших систем
• 900 сотрудников из них 400 разработчиков,
250 во внедрении и поддержке
• R&D подразделение в Сколково

BigData
≈ на ближайшие 40 минут, это когда…
1. данных много
= тяжело унести физически
2. и они разные
= долго описывать структуру формально…

ПРИМЕРЫ =
Прикинем трудности при проектировании
структуры «БД» для трех проектов:
• Система оценки рисков по контрагенту
• Выявление предпочтений и персональное
предсказание покупок для рекламной платформы
• Хранилище «следов» для DLP / СОРМ-3 / PRISM

ОЦЕНКА РИСКОВ, слайд 1
По контрагенту, поставщику, выявление
«однодневок», аналитика:
• Источники = ИФНС, ГМЦ Росстата, ЕГРЮЛ,
Арбитраж, OpenData, LinkedData...
• Объекты = адреса, юрлица, учредители, судебные
решения, госконтракты, отчетность, упоминания в
прессе...

Структура некоторых источников в цифрах:
• Юрлицо ≈50 полей, ≈5 таблиц
• Баланс субъекта в Роскомстате
≈ перечень полей на 7 страниц
• Реестр ЕМИСС ≈ 4500 результирующих таблиц

• Автономность ≈ источники данных независимо
спроектированы и продолжают развиваться
• Разнородность ≈ данные гетерогенны, схемы
построены разными методиками
• Зоопарк ≈ разные технологии,
инструментальные средства, форматы и
синтаксисы

ПРЕДСКАЗАНИЕ ПОКУПОК
Таргетирование рекламы по предпочтениям
и персональному прогнозу покупки:
• Источники = Социальные сети, Ритейлеры,
Мобильные приложения, OpenData...
• Объекты = потребители, предпочтения, покупки,
лайки, открытые события...

DLP / СОРМ-3 / PRISM
Родственные технологии, главные различия в
масштабе и детализации:
• Записи = «Растущие» атрибутные деревья с
элементами наследования
• Индексы = Много FK и регулярно возникает
желание персонально индексировать каждый
«листик»...

ЭФФЕКТ ГОРИЗОНТА
• Источники данных = нефиксированный,
итеративно пополняемый список
• Структура данных = нефиксированная,
подвержена итеративному расширению и
постоянной эволюции
• Изменения естественны и постоянны,
планирование и оптимизация почти напрасны
• Интеграция становится адовой задачей

ПУТИ и ПРОБЛЕМЫ
• SQL = много таблиц и NULL-значений, всё плохо…
• Key-Value и SOA = лепим жупел из сервисов,
решается часть проблем с хранилищем…
• Doc-Oriented = schemaless, некая локальность,
нужны индексы, «ручной» привод для 1-2-3, можно
выжить…
• Graph-Oriented & RDF-storage = ага, чуть позже…

ПРИЧИНЫ, ПАФОСНО
Информация о действительности обладает структурой,
но неподъемной для формализации…
• Упрощаем и искажаем, отображая на возможности
инструментов, частично выносим в app и сервисы
• Создаем внутренние знания: типы в схеме, ID
записей, ID в справочниках и таксономиях
• Итог = Изменение схемы мега-дорого, итеративное
развитие невозможно, интеграция трудна…

ё, А ЧТО ДЕЛАТЬ?
1. не отказываться от схемы/модели данных
2. но и не фиксировать
3. позволить постоянно развиваться…
Но как итеративно уточнять формальную модель,
одновременно «не ломая» систему хранения и код
сервисов/приложений?
Объектно-ориентированные БД ≈ было,
нет удобных формальных моделей эффективных для
реализации, программисты увлекаются…

КУДА СТРЕМИТСЯ?
1. Упорядоченность усилий ≈ видение пути к целям
2. Agile ≈ лояльность к изменениям
3. Итеративность ≈ возможность выдавать value на
каждом шаге

ПРАВИЛЬНАЯ ПАФОСНАЯ КАРТИНКА
примитив
действительность
сложность
возможности
онтологии
байты
SQL
RDF
Ваш вариант :)
1+1 ИИ

RDF/OWL, WTF?
1.
2. маша является персоной
рама является предметом
маша мыла раму
3. Triplestore или RDF storage
≈ утрированно одна таблица, на деле сложнее…
субъект объект
предикат
Яндекс://RDF primer

RDF/OWL, №2
1. RDFS = схема, может храниться
вместе с данными
2. персона type class
предмет type class
мыть type property
мыть domain персона
мыть range предмет
3. OWL ≈ расширяет RDFS для описания онтологий

RDF/OWL, №3
1. SPARQL = язык запросов > SQL,
CRUD, графы, XPath, hash, …
2. PREFIX foaf: http://xmlns.com/foaf/0.1/
SELECT ?name (COUNT(?friend) AS ?count)
WHERE {
?person foaf:name ?name .
?person foaf:knows ?friend .
} GROUP BY ?person ?name
3. SPIN ≈ «хранимые процедуры» SPARQL внутри RDF,
включая constraints и rules

RDF ≈ СРАВНИВАЯ С…
• key-value = это RDF с переносом
предикатов в логику кода
• doc oriented = в RDF нет документов и
локальности, связи неотделимы от данных
• SQL = RDF похож на доменно-ключевую
нормальную форму (DKNF, 5+)
• graph database = очень близко, но в RDF у
связей-предикатов не бывает атрибутов

RDF ≈ ФИШКИ
1. Аскетизм в базисе, только триплеты
2. Онтология и схема вместе с данными
3. Интеграция через URI как схем, так и данных
4. Объектная модель классов с наследованием и
декларацией эквивалентности
5. Рефлексия, встроенный ИИ для оптимизации
6. Подходит для краудсорсинга онтологий

RDF ≈ ГДЕ ТУТ РЕШЕНИЕ ?
Препятствия сохраняются, но их легче
преодолевать:
1. Эволюция схемы без ALTER TABLE
2. Внутренние знания не нужны, либо
становятся открытыми
3. Интеграция легка и естественна

RDF ≈ КРИТИКА
1. мимо ≈ Онтология верхнего уровня
сомнительна – пусть делают философы ;)
2. мимо ≈ Семантическая паутина
нереализуема – нет необходимости
3. OWL ≈ Сложно, но есть теория
4. SPARQL ≈ Перестарались, но есть алгебра
5. Storage ≈ Нет образца, но есть стандарт

RDF ≈ WTF REASONING ?
• Если «Маша мыла раму»,
то следовательно «рама помыта Машей»
• Дескрипционная логика = компромисс между
выразительностью и вычислимостью
• Reasoner = механизм вывода:
- реализуется программно, очень важен алгоритм
- может быть независимым, а не частью хранилища
• Материализация = вывод с сохранением

МАТЕРИАЛИЗАЦИЯ ≈ ИНДЕКС ?!
• добавляем триплеты и этим помечаем
связанные элементы
• не обязательно REASONING/OWL,
можно «руками» или через SPARQL
• крутое хранилище может обеспечивать
отслеживание и авто-материализацию

RDF ≈ ГРАБЛИ №1
• Хранилище может быть в чем-то наивным:
- без упорядоченных величин (фильтры Блюма)
- что-то из SPARQL выполнять очень медленно
- нет гарантий base level of performance
• Онтологии сложно создавать:
- отдельная область знаний и навыков, методологии
- легко сделать неправильно и понять это в конце
• SPARQL и REASONING:
- слишком много возможностей
- малые изменения могут сильно влиять на скорость

RDF ≈ ГРАБЛИ №2
• Попробовали, не получилось:
- изучали сложное
- долго делали
- получилась хрень…
• Почему?
технология = маловероятно
компоненты = возможно
опыт и компетенции = скорее всего
• Причины: плохо с методологиями,
мало опыта, некого спросить, легко ошибиться…

RDF+BigData ≈ HR FAILURE
Страшилка о требуемых компетенциях специалиста:
1. не бояться непонятно-сложных задач и нового
2. уметь что-то программировать
3. понимать в устройстве баз данных
4. знать статистику
5. разбираться в машинном обучении
6. быть экспертом в предметной области
7. добавляется: навыки RDF, OWL, SPARQL и SPIN
– пора учиться…

RDF ≈ ГДЕ ПРЕДЕЛ ?
• Нечеткие знания:
- неполая информация, предположения
- неточная информация, ошибки изменения
- неоднозначная информация
- недетерминированность процессов и выводов
Птицы летают? А пингвины птицы? Сколько их?
• Модель закрытого мира ≈ плохо
- знания всегда не полные
- события вероятностны (квантовая механика)
- ложь/истина, либо выбрасываем…

ОЦЕНКА УПОМИНАНИЙ №1
• Требуется обработка естественного языка (NLP):
- морфология, ключевые слова и сочетания
- лексико-статический анализ (наивная семантика)
- синтаксический анализ, подлежащее/сказуемое
- ABBYY COMPRENO
• Хранение: RDF не обязательно, PostgreSQL + JSONb,
Mongo…
• Вывод: Много правил/условий, поэтому SPARQL и
REASONING по результатам NLP

ОЦЕНКА УПОМИНАНИЙ №2
• Начало проблем:
- модель языка упрощена, знания о нём не полны
- много неоднозначностей
- точный результат недостижим
• Вывод по дескрипционной логике:
- ложь/истина или выбрасываем
- ошибки накапливаются, результаты искажаются
- монотонность нарушается, обучение не работает
• Чем больше данных и правил, тем хуже ≈ жупел

ВРЕМЕННОЕ РЕШЕНИЕ
Дискретизация:
100% = истина/да
75% ≈ вполне возможно
50% ≈ может быть
25% ≈ маловероятно
0% = ложь/нет
− Тяжелеет описание схемы и правил
− 20% результатов стремится к «может быть»
+ Позволяет решить 80% задач

UNCERTAIN FUZZY  RDF
• Сомнительная пушистость :)
- коэффициенты уверенности
- интервальная арифметика
- вероятностный и модифицированный
байесовский подход
- нечеткая логика и множества (fuzzy logic)
- теория очевидностей (Демпстера — Шафера)
• Методики и инструменты
- Fuzzy OWL (онтология для нечеткой логики)
- PR-OWL (онтология с байесовским подходом)
- UMP-ST (моделирование нечетких процессов)

AI: WATSON 2.0 ?
• Как сделать домашний IBM Watson Jr.
http://www.olap.ru/home.asp?artId=2354
• Применение OWL/RDF рассматривалось только в
контексте четких знаний, остальное не было готово
• RDF = одна из форм записи графов
• Ореолы Triplestore и Graph Database почти
совпадают
• Apache Jena прекрасно работает поверх PostgreSQL

Леонид Юрьев
• 20 лет программирую
• системный архитектор в матрице
Петер-Сервис R&D
• TopGun DPI & 1Hippeus
leo@yuriev.ru
leonid.yuriev@billing.ru
Спасибо,
за внимание!

ССЫЛКИ
1. RDF Primer
http://yandex.ru/yandsearch?text=rdf+primer
2. Reasoning for Linked Data
http://renaud.delbru.fr/doc/pub/rw-2013.pdf
3. Fuzzy OWL
http://arxiv.org/pdf/1009.3391.pdf
4. Fuzzy logic reasoner
http://gaia.isti.cnr.it/straccia/download/papers/FUZZ08/FUZZ08.pdf
5. Dempster–Shafer OWL
http://arxiv.org/ftp/arxiv/papers/1106/1106.3876.pdf
6. Защита докторской по байесовской OWL
https://www.youtube.com/watch?v=Zl5rmag6BqY

РИТ-2014: Ноотропы RDF для BigData

More Related Content

Similar to РИТ-2014: Ноотропы RDF для BigData (20)

More from Leonid Yuriev (7)

РИТ-2014: Ноотропы RDF для BigData