Unifield架构Unifield架构更激进，将机器学习和数据处理揉为一体，从核心上来说，Unifield依旧以Lambda为主，不过对其进行了改造，在流处理层新增了机器学习层。可以看到数据在经过数据通道进入数据湖后，新增了模型训练部分，并且将其在流式层进行使用。同时流式层不单使用模型，也包含着对模型的持续训练。
适用场景：有着大量数据需要分析，同时对机器学习方便又有着非常大的需求或者有规划。相关：舆情大数据系统架构设计与实现：https://www.toutiao.com/i6537119210336682510/大数据架构的分析应用：https://www.toutiao.com/i6613946595891216910/。
大数据时代，如何构建企业数据仓库？
大数据是我的主要研究方向之一，目前也在带相关方向的研究生，所以我来回答一下这个问题。首先，数据仓库对于企业来说是比较传统的数据管理方案，具有一定规模的企业通过建立数据仓库能够解决一定的“数据孤岛”问题，从而能够让企业的数据有一个更加合理的利用，同时也能够让多个系统通过数据仓库完成互联互通。但是在大数据时代，企业的数据仓库无论从规模、数据类型、响应速度还是部署架构上来看，都将面临较大的调整，这些调整主要体现在以下几个方面：第一：数据仓库将以云计算为基础进行构建。
云计算的出现从某种程度上来说改变了整个IT行业对于技术资源和存储资源使用的理解，云计算弹性的服务模式和廉价的使用策略让更多的企业愿意采用云计算服务，同时云计算也能够提供一站式解决方案，为企业进行信息化升级降低了门槛。把数据仓库搭建在云计算平台上，是目前云计算能够解决的一个重要问题之一。第二：数据仓库的存储结构由Sql向NoSql转换。
虽然目前大量企业的数据仓库依然以结构化数据为主，但是随着物联网的发展，未来数据仓库中必然会出现大量的非结构化数据和半结构化数据，在这种情况下，数据仓库必然要跟着进行调整，数据库类型必将从Sql型数据库向NoSql型数据库转换，未来将出现Sql数据库和NoSql数据库并行的情况。第三：数据仓库管理智能化。
在云计算平台的支撑下，未来企业数据仓库的管理必然向智能化方向发展，基于PaaS将更容易构建出智能化的管理方案，从而提升数据仓库的价值。最后，这一系列的改变自然离不开人才结构的升级。我从事互联网行业多年，目前也在带计算机专业的研究生，主要的研究方向集中在大数据和人工智能领域，我会陆续写一些关于互联网技术方面的文章，感兴趣的朋友可以关注我，相信一定会有所收获。
