扩展架构扩展了基本参考架构，其概念展示了如何将数据科学，人工智能（AI）和机器学习整合到事件驱动的解决方案中。

为了获得机器学习模型或分析趋势和行为的数据，数据科学家必须从可以消费的形式开始使用数据。对于实时智能解决方案，数据科学家通常会检查系统中的事件历史记录和决策或操作记录。然后，他们将此数据减少为简化模型，该模型在新事件数据到达时对其进行评分。

获取数据科学家的数据

对于事件流，挑战在于处理无限数据或连续的事件流。为了使这些数据可供数据科学家使用，您必须捕获相关数据并将其存储，以便将其纳入分析和模型构建过程。

遵循事件驱动的参考体系结构，事件流可以是事件主干上的Kafka主题。从这里，您可以通过两种方式向数据科学家提供可用和可消耗的事件数据：

• 事件流或事件日志可以直接通过Kafka访问并进入分析过程。
• 事件流可以由流分析系统预处理并存储以供将来在分析过程中使用。您可以选择要使用的商店类型。 IBM Cloud Object Storage可用作经济高效的历史存储。

这两种方法都是有效的：通过流分析进行预处理，以便更好地处理数据或随时间存储数据以进行复杂的事件处理。更有趣的区别在于您使用预测机器学习模型来评估到达事件或流数据。在这种情况下，您可以使用流分析来提取和保存事件数据，以进行分析，建模，模型培训，以及根据到达的事件数据对派生模型进行评分。

事件和决策或行动数据在云对象存储中可用，用于通过流分析进行模型构建。可以通过调整和参数拟合，标准形式拟合，分类技术和文本分析方法来开发模型。

人工智能和机器学习框架越来越多地用于发现和训练有用的预测模型，作为手动参数化模型类型的替代方法。这些技术导致过程和数据流，其中预测模型通过使用来自事件和决策或动作存储的事件历史来离线训练，可能通过监督结果标记来增强。该流程通过从事件主干和流处理存储到“学习和分析”组件的路径来说明。

以这种方式训练的模型包括评分API，该评分API可以用新鲜事件数据调用以生成针对该特定上下文的未来行为和事件属性的基于模型的预测。然后将评分功能重新纳入流分析处理以生成预测和见解。

这些组合技术可以创建实时智能应用程序：

• 事件驱动的架构
• 通过使用事件风暴来识别预测性见解
• 使用机器学习为这些见解开发模型
• 使用流分析处理框架对洞察模型进行实时评分

这些应用程序具有可扩展性，可扩展性和适应性。他们近乎实时地回应新情况。由于事件驱动架构和流处理域中的松散耦合，您可以扩展它们以构建并从最初的最小可行产品（MVP）演变而来。

数据科学家工作台

要完成与分析和机器学习集成的扩展体系结构，请考虑数据科学家可用于派生模型的工具集和框架。 IBMWatson®Studio为数据科学家，应用程序开发人员和主题专家提供工具，以协作处理数据，以大规模构建和训练模型。有关更多信息，请参阅Watson Studio入门。

与传统系统集成

当您将数字业务应用程序创建为自包含系统时，您可能需要将传统应用程序和数据库集成到事件驱动系统中。传统系统可以通过两种方式直接进入事件驱动架构：

• 在传统应用程序与IBM®MQ连接的情况下，您可以直接从IBM MQ连接到事件主干中的Kafka。有关更多信息，请参阅Event Streams入门IBM MQ。
• 在数据库支持捕获数据更改的情况下，您可以将更改作为事件发布到Kafka和事件基础结构中。有关更多信息，请参阅没有更多孤岛：如何将您的数据库与Apache Kafka和CDC集成。

原文:https://www.ibm.com/cloud/garage/architectures/eventDrivenExtendedArchitecture

讨论:加入知识星球【首席架构师圈】