导师让做数据湖的大模型应用，但是我没有实际的数据湖可以用，有点无米之炊。各位老哥知道什么开源的基于 S3 协议的数据湖搭建方案吗？
This topic created in 928 days ago, the information mentioned may be changed or developed.
Supplement 1 · Apr 23, 2024
AI Agent + RAG + 数据湖，不涉及大模型的训练。这个题目是甲方给的，导师也不懂，没安排和甲方沟通，让我在这想方案。s3/hdfs 是我自己琢磨的，我看数据湖一般会有一个存储系统，可以用来放非结构化数据和查询系统的数据。rag 和向量数据库、图数据库有关系，我都写 llamaindex 测过，但感觉这些查询系统放在湖里面有点强行了。
 |
dayeye2006199Apr 23, 2024 via Android
1
什么是数据湖的大模型应用？两个名词堆一块儿了？
|
 |
2
@dayeye2006199 我也只知道几个关键字，AI Agent + RAG + 数据湖
|
 |
dog82Apr 23, 2024
3
数据湖炒概念的成分更大，我没找到市面上的成功案例。我对国云数据的魔镜稍微了解一点，楼主去看看 http://www.moojnn.com/product-center/publicinto.html
|
 |
yjhatfdu2Apr 23, 2024
5
开源数据糊一般是指 apache hudi 、apache iceberg 和 delta lake ，但这玩意儿都还是适合写入为主，偶尔批量计算的场景，不适合实时查询，和 AI Agent 、RAG 有啥关系？
|
|
6
@yjhatfdu2 我也没搞清楚，现在想的是能不能把 Text2SQL 用在湖上一些查询系统上，类似于这种 https://help.aliyun.com/zh/dms/release-the-ai-agent
|
 |
CadonHoApr 23, 2024
7
数据湖就是一个存储，特点就是各种数据格式都能存。不过有一说一，大模型的应用不是应该往垂直领域找么，这个跟数据湖关系不大吧，数据湖就是大模型应用中的一个环节而已。
|
 |
hero1874Apr 23, 2024
8
数据湖和大模型这俩关系挂靠在一起，有点违和
看你上面说的 AI Agent + RAG + 数据湖 是把数据湖作为 RAG 的外部数据来源吗，数据湖里存一些非结构化的数据 数据湖可以看看 Apache Paimon 这个倒支持流式读写，批读写，也支持 S3 |
 |
9
先把数据湖改个名，叫对象存储，理解起来瞬间容易不少
|
2 |
zlo309618100Apr 23, 2024
10
啥是数据湖？文盲.jpg
|
 |
roidinevApr 23, 2024
11
是啊， 大模型的应用应该往垂直领域找。除非你想研究出论文：比如研究大模型对存储吞吐量/延迟的需求，优化数据湖等。
|
 |
12
导师：我啥也不懂，你们弄好了挂我一作
|
 |
ZGameApr 23, 2024
13
首先你要确定你的大模型需要的数据,再去考虑技术栈会不会合适点...
|
 |
mightybruceApr 23, 2024
14
你的题目写得不对，数据湖和对象存储是两个东西
大模型应用和这个也没有关系。 要么导师误入子弟，要么导师没有说清楚，需要再次沟通。 |
 |
sampengApr 23, 2024
15
灰常简单啊。。
搭个 mysql 。咯。这就是数据糊 |
 |
o562dsRcFqYl375iApr 23, 2024
16
@CadonHo 正解
|
 |
yalinApr 23, 2024
17
AWS 云方案？
|
|
o562dsRcFqYl375iApr 23, 2024
18
@opengps 👍
|
 |
c3de3f21Apr 23, 2024
19
flink + paimon + trino [ connector + store + search]
|
 |
deorthApr 23, 2024 via Android
21
op：虽然完全不知道导师出的什么吊题目，但是我先问问网友
|
 |
nullboyApr 23, 2024
22
"数据湖" 这名字听起来怎么感觉怪怪的
|
 |
HughRyuApr 23, 2024
23
我个人理解 Datalake 就是各个 Dataware 的集合，不能为了强行推 Datalake 概念而堆砌 Dataware 。
|
|
28
这个题目是甲方给的，导师也不懂，没安排和甲方沟通，让我在这想方案。s3/hdfs 是我自己琢磨的，我看数据湖一般会有一个存储系统，可以用来放非结构化数据和查询系统的数据。rag 和向量数据库、图数据库有关系，但感觉这些查询系统放在湖里面有点强行了。
|
 |
ShroudNixApr 23, 2024
29
@ihnfsa 目前跟 AI/数据 相关的似乎向量数据库符合你的要求
我最近在看向量搜索相关的内容 分享给你 希望你能获取一些灵感 https://pub.towardsai.net/advanced-rag-techniques-an-illustrated-overview-04d193d8fec6 |
 |
mhycyApr 23, 2024
30
数据湖的大模型应用？是现有数据的 AI 标注再利用么？
这东西和数据湖没啥关系啊，反正是个信息量足够大的东西都能称之为湖 改个高大上名字罢了 |
 |
cbythe434Apr 23, 2024
31
重点是套大模型上去，数据湖不是重点
随便云平台整个 mysql ，搞一套大数据一键部署下 写的时候 replace_all("数仓","数据湖") |
|
32
@VermouthcZzz 谢谢，好文章。
|
 |
b821025551bApr 23, 2024
33
去年软考备考的时候还真看过这玩意，个人理解是这样的：
目前的任何采用数据库的结构化存储方式，都不可以叫数据湖，而是叫数据仓库。上面各位所说的对象存储、Dataware 堆砌等等严格意义上都不能算是数据湖。 真要说什么是数据湖，可以理解成就是一个巨大的文件，里面存储着各种乱七八糟毫无章法的东西，结合 AI 来把这些毫无章法的东西进行数据挖掘。在这种场景下，重要的是如何去挖掘，而数据湖仅仅是一块硬盘，最重要的指标是 IO 速度，仅此而已。 |
 |
whileFalseApr 23, 2024 via Android
34
数据湖就像你的磁盘，甭管是什么数据都一股脑丢进去，所以里面有各种不同格式的文件，相同格式的文件也有各种不同的数据结构
然后等你有功夫的时候为这些乱七八糟的格式分别建立结构、索引，然后再清洗、查询、可视化。 以 aws 为例，s3 就是磁盘，通过 glue 来为不同的数据文件创建结构，通过 athena 和 redshift spectrum 查询，通过 quicksight 可视化（这玩意很垃圾），还有 lake formation 这种管理服务。 |
 |
jiangbao888Apr 23, 2024
35
可以看下这个，感觉是你的需求。https://github.com/lakesoul-io/LakeSoul
|
 |
HkMuxxxApr 23, 2024
36
数据湖本质也就是数仓吧，只是解决了传统数仓 upsert 的痛点
|
|
37
@jiangbao888 谢谢了，这是个好东西，我部署一下试试
|
|
38
@whileFalse 我理解的数据湖差不多就是这样，现在想自己部署一个，不然总有点知其表不知其里。
|
 |
930RC92EtcpqT2vMApr 23, 2024
39
|
|
dayeye2006199Apr 24, 2024 via Android
40
@wheat0r 这位教授您快请主席台入座
|
|
yjhatfdu2Apr 24, 2024
41
数据糊技术显然是为了写入和低成本优化的，查询速度会慢的离谱（正常场景下），例如使用 apache hudi ，即使使用了记录级索引，在 1TB20 亿行数据中使用索引取一行也要 12 秒，取 40000 行要 115 秒（来源 https://hudi.apache.org/blog/2023/11/01/record-level-index/），这在 RAG 的场景中简直是离谱
|
|
yjhatfdu2Apr 24, 2024
42
其实现在技术上几种数据糊技术核心的目的是解决传统 hadoop 系统中，parquet 等列存格式，难以支持 ACID 和事务的问题
|
Select Language