我想建立一个体面的框架来在我们的服务器上构建和部署 ML 代码。服务器端代码都是java。我继承了一个系统，weka因为它基于 java 并且使服务器端人员的生活变得轻松。但是进来的数据科学家，使用 R/python 进行建模，然后编写一些胶水代码，使模型在 weka 上的 java 环境中运行。这个库已经过时了（虽然工作正常），但主要是编写这个胶水代码变得繁琐/重复，可以取消。我正在寻找一个优化的管道来帮助我快速部署模型。
这在业界是如何做到的？你的管道是什么样的？
我希望能够使用数据科学团队使用的一种语言（我倾向于 python）快速建模，并且能够在服务器端部署/调用这些模型进行预测，而无需重做一堆东西来获得它在那里工作。
好吧，我认为您的问题没有“正确”的答案，因为您正在寻找有关 ML 模型部署的建议。
正如您所提到的，您在 java 中有一个完整的后端，您不应该放弃它。相反，(1) 您可以利用面向微服务的方法。借助微服务，您可以使用 HTTP 通信不同的代码片段。您可能在 java 中有一些后端控制器，以及某种 ML 管理器来用 web 路由包装预测例程。
我认为学习 python 和 python web 框架对你来说是个好主意（flask 是一个非常简单的框架，你可以在 google 上搜索“ML deployment flask”或类似的东西，并且有很多教程）。此外，（2）您可以说服您的数据科学家为您编写他们的微服务，因为它很容易做到。然后，您可以获取他们的代码并进行调整，使其看起来更像一个 Web 服务。
另一种利用 java 后端的方法是 (3) 尝试将 python/R ML 代码转换为 Spark MLlib，它有许多强大的方法供您编写 java 代码。但是，您最终将不得不编写数据科学家在 python/R 中进行的一些操作，而这些操作在 MLlib 中不可用。
这取决于，但我希望它有所帮助！