会议内容

OpenMLDB 社区于 2022 年 6 月 25 日举行了第四期 meetup，会议相关视频及资料如下：

OpenMLDB PMC core member 卢冕，从低成本、高性能的线上线下一致性特征平台开源解决方案切入，为大家介绍线上线下一致的生产级特征平台 OpenMLDB 以及其在 v0.5.0 新版本中新增的性能改进、成本降低、灵活性增加三个特性。视频连接：https://www.zhihu.com/zvideo/1525167543303700480资料链接：https://pan.baidu.com/s/12Vk0syf-WgqQ1uBAXtTNBw提取码：open

Apache RocketMQ PMC member 丁磊，以万亿洪峰锤炼下的消息处理平台——Apache RocketMQ 为议题，帮助大家了解 Apache RocketMQ 的高可用架构以及云原生时代 RocketMQ 面临的新的挑战。视频链接：https://www.zhihu.com/zvideo/1525170014009634816资料链接：https://pan.baidu.com/s/1vU8K1CA7D1aUO3-vggEXRw提取码：open

Apache RocketMQ connect contributor 孙晓健，深度解析 Apache RocketMQ 的技术原理和应用场景，借 RocketMQ OpenMLDB Connector 带领听众探寻如何基于 RocketMQ 快速构建轻量的数据流转平台。视频链接：https://www.zhihu.com/zvideo/1525170045735370752资料链接：https://pan.baidu.com/s/1fJHmiC_-awjKPtkQFvaTYg提取码：open

讨论交流

Q1：请问 Scala 接口在 OpenMLDB 的后续开发计划中吗？A1：Scala 理论上也可以调用我们的 Java SDK 来进行连接。Scala 原生的 SDK 目前在我们的 Roadmap 上，但是还没有具体推进展开。如果对这个需求感兴趣，也欢迎加入社区和我们一起开发。

Q2：OpenMLDB 支持向量化吗？A2：目前 OpenMLDB 主要是结构化表格数据，不支持向量搜索功能（这一部分功能有不少优秀的开源工具可以支持）。如果要做向量化数据的存储，其实也能转换成表格形式，如果有用向量化数据做特征计算的需要可以用 OpenMLDB 。

Q3：请问 OpenMLDB 怎么设置 lable？只是特征计算的话，配合哪个模型训练比较好呢？A3：OpenMLDB 提供特征计算功能，但不能做模型训练和推理，所以 label 这一列在 OpenMLDB 这边并不需要特别处理，直接保留并给到后面的模型训练就可以。模型训练后面可以接的选择比较多。你可以参照我们的案例，接 LightGBM，或是其他模型，比如 XGBoost, Sklearn 等 。

Q4：最近刚接触 featurestore 产品，发现 OpenMLDB 和 Feast 这类的开源产品对比，看起来缺少 feature view 元数据管理。以及 feast 这类产品是把计算能力交给其他云计算，OpenMLDB 更强调的是 sql engine 的计算能力。不知道理解是否正确？A4：feature view 的定义看起来和我们用 SQL 定义 feature 的概念是类似的，我们通过表格 schema, 以及 SQL 来描述数据源格式和 feature 抽取逻辑。当然这一块 Feast 的定义可能更加具象一些，我们会学习这种描述。相比较 Feast 我们强调实时的特征计算，基于最新鲜的数据，而不是离线的特征计算以后线上再取。

OpenMLDB 社区

在此感谢大家对于本次 meetup 的大力支持，如果想进一步了解 OpenMLDB 或者参与社区技术交流，可以通过以下渠道获得相关信息和互动。Github: https://github.com/4paradigm/OpenMLDB官网：https://openmldb.ai/Email: contact@openmldb.aiOpenMLDB 微信交流群：