腾讯云【专访】数美CTO梁堃:从北大学霸到技术大神

【编者按】：数美是国内顶尖的大数据公司，依托积累的海量数据和核心技术，提供领先的大数据风控产品与服务。目已服务数千家客户。

本期腾讯云要访谈的嘉宾是数美的一员虎将，他是数美联合创始人&CTO粱堃。

从震惊全球的Alphago、到能识别出你图片中的面孔和地点；从上路奔跑的无人驾驶、从千人千面的营销推荐，再到大数据帮你分析做好理财。脑洞大开的“黑科技”，大数据、人工智能，正在改变着我们的生活的方方面面。

现在就让我们一起了解一下梁堃眼里的大数据以及数美公司：

数美的大数据能力优势是什么？具体做了哪些算法层面的优化呢？

先做下自我介绍，我是梁堃，数美的联合创始人兼CTO，很荣幸参加此次的采访。

首先我先说一下数美大数据方面的优势。主要来自三个方面：

1）数据量要够大，维度要够多，数据更新要及时。

2）架构方面：创始团队来自百度等一线互联网企业，经历过数万台设备级别的大数据架构和算法开发，因此数美的在线技术架构实现了微服务化，目前我们所有的客户请求可以在10ms之内完成风险识别 ，文本过滤准确率可以达到99.8%以上，误杀率低于1/1000。

离线架构：基于Hadoop生态的比较标准离线数据仓库，基于Scracpy去获取数据。

数据架构：对什么人在什么时间做了什么事情有一个基础层，再上一层是数据主题层，还有实现在内存缓存层的应用层，使得线上应用可以基本不做二次处理，通过查询的方式获得所需要的数据。

3）策略方面的优势：在于理解数据和常见的算法，把数据在某个领域真正的用起来，比如数美的客户就有不少像金融类的，比如中信银行等。

举个例子，比如大数据用于互联网金融领域的信贷风险管理，两个人年度收入都是X，但是A是每月收入X/12，B的前6个月收入为0，第7个月收入是X/2，后5个月收入又是0，第12个月又是X/2，前者A的收入稳定性明显好过B，我们需要参考不少类似收入稳定性这样的指标，来综合计算。

2.数美的大数据能力应用集中在哪几个行业，和腾讯云的哪些产品有结合？

我先说一下数美产品集中应用的领域，数美现在集中的领域为：

金融领域，可以帮助减少违约和逾期，最大限度消灭欺诈类用户，对于金融行业风控是核心能力。

社交领域 ，在社交类应用里面有不少恶意用户会到里面去刷小广告，色情类文字，会对于企业带来运营压力和政策风险，我们可以提供文本过滤的功能。

直播领域 ，直播类经常会有充值送的活动，但是有些主播和黄牛党会作弊，可以通过大数据的能力来避免被少数恶意用户给刷走，同时也可以帮助平台识别注册的新用户是不是机器人用户。

我们现在与腾讯云产品的结合，主要用到的是腾讯云CVM、云数据库Mysql和Redis等，腾讯云对于云数据库Mysql进行了不少定制优化，而且云服务这种方式也大大地减少了我们数美的IT运维成本。

3.您在BAT担任数据架构师多年，也经历过大数据计算框架流行趋势从Hadoop到Spark的迁移，能见下两种计算框架的差异和适用范围么？Spark在哪些具体领域表现要好过Hadoop？

是这样的，Hadoop本身已经是一个大数据的生态了，在Hadoop生态中Mapreduce计算框架和 Spark计算框架是基本对等的。都属于大数据集的并行计算，都有一个shuffle，对数据进行分组，然后分别计算，碰到一定的逻辑的时候，再次进行分组，两个计算框架的计算泛型都是一样的。

1）Spark对Mapreduce的重要改进是可以把分组数据存在内存中，反复进行计算。

2）Mapreduce->Spark 基于问题的改进，最早用于统计分析，只用Mapreduce就够了，现在数据的使用到了下一个阶段，引入更多的维度进行数据挖掘，K-Means等算法需要基于一份数据进行反复的迭代计算。

Mapreduce上进行迭代，每一次迭代都要写入磁盘，还要在I\O队列中排队，在Spark计算框架中减少了这两部分的消耗，效率更高。

3）Mapreduce对于离线数据处理适用性比Spark更高，在这种场景下使用Mapreduce有助于提升集群整体的使用率。

Mapreduce中50个Map、50个Reduce任务中跑完了 10个MAP任务就可以释放这部分计算资源，而对于50个Spark任务而言，只跑完了10个任务是不能够释放10个已完成任务的资源的。

4.您见过的数据架构师犯过的最大的错误是什么？导致了什么后果？

我可以举例讲解一下：

1）组成一个数据架构师团队，来避免数据问题的出现，在数据设计上有一些成熟的方案，比如说数据仓库这方面就有很多方案，可以多思考其他人。

2）09年做过一个数据项目，对于元数据的重视度不够，同一份数据存在两个位置，会引发一定的数据不一致和存储资源浪费，现在的数据架构师在数据仓库设计的初始阶段，会开始更重视元数据的规划。

3）数据表设计信息缺乏团队内共享导致计算资源的浪费，在基础数据表上建了中间数据表，但是其他业务不知道有中间数据表，也是再从基础数据表开始重新计算，对于整体的计算资源存在一定浪费。

5.对于希望实施大数据的CTO们，有怎样的实施顺序建议？

我这边总结过三个阶段：怎样从前端服务器收集数据，如何可靠的传输数据，如何对数据进行分布式的计算。

1）搭建大数据基础设施，开始收集来自业务系统的数据，需要重点做好元数据的规划，同时对于历史日志数据、非结构化数据需要进行批量的结构化。

2）从统计分析阶段入手，一方面可以通过统计直接支持业务决策，比如新产品上线进行A/B对比，来判断新特性是否会提升用户体验和活跃度，实现用数据来指导产品。

3）更深刻的理解数据，并且将数据和业务结合起来，2.0阶段需要考虑把业务系统和数据系统对接起来，让大数据系统智能地发现业务的机会，控制风险，比如说广告投放领域的CTR预估（点击率）就是大数据实施2.0阶段的典型场景。

6.目前发现企业实施大数据项目最主要的三个问题是？

其实，你希望实施大数据的项目的时候，常见的问题包括如何获取高质量的数据，高质量的数据是指数据的维度要够多。很多从Mysql数据库中迁移来的数据就缺少很多和用户使用场景相关的数据，可以考虑通过日志等方式补齐维度。

另一个问题就是企业有大量的非结构化数据，需要批量转化成结构化数据，有不少企业甚至于会在IT系统设计中强制要求，全部使用结构化数据。大数据系统的建设更多是个周期较长的过程，和一般的产品功能不太一样，不容易立杆见影，所以建议参考前面的三步走逐步实施，需要有管理层的强力支持。

让数据和业务结合起来，让系统自动的完成一些传统需要人力完成的工作，当前的电商网站的推荐算法，在没有大数据能力之前基本上是难以想象的一件工程。从企业当前的问题挑出一些无法用简单分析完成的工作，尝试用大数据的方式来分析和解决。

7.对于希望成长为大数据工程师的大学生，您建议的技术学习路径是？

我个人的建议是这样的：

基础知识：计算机体系结构和统计学知识

分布式架构：HDFS+Mapreduce开始学习分布式计算的核心思想

数据架构：学习一些经典数据仓库的理念，维表、星形模型，当然现在的技术进步了，传统的技术不一定适用

策略相关：数据挖掘和统计学习相关的知识

8.推荐三位您觉得有意思的程序员，简述理由？

我要说的这位是我百度的同事陈建，数美的首席架构师，比我早半年到百度，他对在线的高实时性架构特别熟悉，当出现了一些技术问题的时候，可以从上层表现一直追到TCP协议栈的层面。在别人那边很难解决的问题，在他那边很容易解决。