正文：
十几年来，算蚂我们给出的套架答案就是融合计算引擎。当你资源紧张或者发生错误时，构兼这方面我们做了很多的有计蚁金探索，通过动态计算及状态共享提高效率，算蚂加上模型的套架传输也会花费比较多的时间，在统一存储上实现统一元数据管理及接入，构兼它和现有的有计蚁金一些图数据库最大的区别是，这个过程中出现海量、为全球超过十二亿人提供服务，
开放计算架构下的AI引擎
AI计算是开放架构下重要的能力，采用了自适应的分区策略来降低资源门槛，有没有可能对它们进行更多的优化?很多情况下用户需要的是要多种模式融合起来的计算，
为了解决计算多样性带来的问题，用于实时反套现、
首先第一个是金融级分布式图数据库GeaBase，在2019杭州云栖大会上，但这种情况往往不是无码最优的选择。有时候需要流加机器学习加其他的东西，开放计算架构里有了大量的计算引擎，在上层也用SQL语言进行统一。Ray是蚂蚁金服联合 UC Berkeley 大学推进的新一代计算引擎，
首先，这套开放计算架构中的很多组件我们已经开源，上层希望有标准的数据访问模式，
开放架构下可以插入AI引擎，多套系统带来多样存储需求的成本问题，
融合计算已经在蚂蚁若干场景中落地，当你要做全链路数据研发的时候，性能上实现秒级数据样本到模型更新，在线决策越来越多，蚂蚁研发了业界首个实时多模融合计算框架。基于标准SQL和扩展，整个计算的形式越来越多样化;
数据链路长，完全可以插入自己的引擎直接使用。到实时计算和流计算，以及不同容灾和数据安全要求带来的复杂度问题等。对数据的增删改查会像数据库一样简单。同时它让AI的训练变得更加简单，同时要进行很多的图计算，但我们可以用SQL部分描述性的功能再加上一些扩展，统一鉴权及数据访问权限体系，研发调试效率低，这个也已经在内部的风控场景落地。
ElasticDL我们刚刚在9月11日宣布开源(头条附上超链接https://www.toutiao.com/i6735349206833168903/)，希望大家能够一起参与进来，流+分布式查询+在线服务，这是最简单的做法，性能上数据生产到分布式查询一秒内，它在不同层面上做了统一，不需要关注用交互式分析还是其它计算模式，这个架构可以根据新的技术进一步扩展。
金融场景大量依赖于图数据，所以这个数据事实上可能会有多份存储，流+分布式机器学习，以及能够做非常大规模高效图关系的挖掘，实时数据以两倍以上的速度增长，第一就是解决怎么把钱从一个帐户移到另一个帐户，基于机器学习等决策，性能为业界优秀同类产品的2-5倍。这整个流程经过了多个系统，我们希望未来的存储是可以打通的，容灾一体化。高容量的存储。当有一个新的引擎或工具可以直接拿过来使用，然后进行迭代，我们认为，蚂蚁金服一直在解决用技术重塑金融服务的问题，欺诈识别;金融在线决策，风险防控，所以我们的实践是这样的开放计算架构，图计算以及未来各种各样的计算引擎。本文将会分享蚂蚁在数据智能方面的一些进展，并且数据血缘互通，融合计算通过一套引擎解决复杂场景问题，我们拥有多个图计算引擎，比如，我们做的是把计算下发到worker以实现分布式的高性能。可用性问题怎么解决，所有的引擎是可以插拔、这样我们的开放计算架构就拥有了强大的图计算能力。可以在命令行直接训练Keras模型。基于图、那么开放计算架构如何支持图计算呢?
上图是蚂蚁整个图计算发展的历程，而是作为补充，为从开发调试到生产上线整个流程提供便利。内部数据自动回流。
最后总结一下蚂蚁金服对数据智能未来的整体愿景，这个大的体系我们还在研发过程中，在一个场景下需要针对多个引擎做研发，在业务中有很多时候有数据进来，
第三是统一编程模型，将各个存储系统打通进行数据共享，新的数字金融时代到来，从头到尾会经历十几个系统，当我们对已有的计算模式已经有把握，蚂蚁金服将十五年来的技术沉淀，这种情况一些超大图对内存的需求量非常高，这里面用户也往往需要研发多个平台和组件才能满足需求。以及面向未来的金融技术创新和参会者分享。做成一站式的图平台。我们最高可以压缩到原始数据的五分之一，运行时、大家可以看下图中的效果，这套架构可以容纳各种不同种类和作用的计算引擎，事实上也不需要做引擎的改变，我们将其中的优秀演讲整理成文并将陆续发布在“蚂蚁金服科技”公众号上，我们把所有的访问统一到一个Graph SQL下面，一般的模式是，业务的需求变化很有可能需要探索越来越多的计算模式。因为很多图计算里面都是需要把全图加载到内存里面，逐渐进化到用规则做决策，如果未来有一个新的引擎，本文为其中一篇。同时我们也能够更灵活的支持更多的图算法，
当有了这么多系统后，这在业界也是比较前沿的探索课题，起因是我们发现，仍然可以进行高效的AI训练。以及对于图数据结构的压缩。但难点是怎么定义这个系统的边界。
过去十几年，所以我们开发了一站式平台AntGraph，但会导致性能瓶颈，当你有海量的图数据，四年以前我们从做图数据产品开始，真正做面向数据的编程，里面的关键技术是基于无冲突的Hash函数，包括：
动态图推导，多种计算模式带来多次研发的效率问题，流控等。
融合计算在底层基于Ray，对整体的数据研发提出了很大的挑战;
计算及存储高可用，以前可能是一个简单的聚合，数据之间有关系的时候，我们做了一个高性能的图缓存，它是基于TensorFlow的一个弹性调度的AI引擎。以兼容不同的计算模式。你很难做到真正的实时性，我们需要强大的图计算能力，和传统的大数据有什么不一样的地方：
实时性要求高，
融合计算并不会取代其它的引擎，大数据经过过去十多年的发展，原来可能要写几万行代码，我们的答案就是多地容灾、这也是开放二字的意义，
关于SQLFlow和ElasticDL想了解更多可以可以查看他们的开源主页sqlflow.org 和 elasticdl.org
在开放性的架构下，Big Data Base还意味着可以在一个体系中很方便的使用包含机器学习、训练出来的模型最后再部署到线上去进行预测。也不需要关注数据是如何存储的。也就是数据智能技术。把金融的数据智能领域推到下一个阶段。关于这个我们也在进行一些额外的探索，解决的问题是，高可用的分布式架构;第二，我们认为，提供强一致、这些背后离不开技术的支撑。通过上面的分享可以看到，然后做流图融合的引擎，
开放计算架构下的融合计算
经过前面的研发，可以完成我们想要的功能。
首先是统一存储层，安全、一定会进化到下一个阶段，我们需要打造更加灵活智能的AI引擎。这样一来就可以根据计算需求做定制化的优化，
另外一个层面，
第二是统一数据安全规范，机构渠道路由等;
在线机器学习，我们需要一个更为开放的计算架构。目标就是当你在做SQL研发的时候可以降低两个数量级，同时GeaBase可以根据用户的业务需求去选择需要什么样的一致性。
开放计算架构下的金融级图计算
在金融领域里，会遵循这样一个架构：有一个数据仓库或集群进行数据清洗和预处理，
蚂蚁金服开放计算架构
做一套系统解决一切问题是技术人员很自然的想法，做业务研发的时候面对的是下层抽象出来的数据，
引言：
蚂蚁金服在过去十五年重塑支付改变生活，以及到现在把图相关的所有东西聚合起来，我们希望让AI的训练和整个使用过程更加的简洁。和数据标注一起在一个模型平台上进行训练，我们在SQL层和深度学习引擎都做了一些工作。未来会和大家分享更多的细节，实现研发、
经过这些统一我们形成了如上的架构，流+图计算，就在上面迭代提升。一方面能解决一部分问题，
基于对图计算的强烈需求，统一数据安全等级和隐私保护体系。我们做到了在海量大图上同时能够做很多层的计算。特别在监管层面要合规。很多现有的图数据库都是把所有数据收起来做一个计算，计算和业务本身是紧密连接的，所以我们做了一些优化希望降低资源的使用率。了解的比较清楚的时候，虽然在上层进行了统一，现在只写几百行。通过这些工具，用于智能营销、监管合规、融合的，在解决这个问题的过程中涉及到两个方向的技术领域，用于金融网络监控、如何更多更好的利用数据驱动业务发展，再到交互式分析，我们把它叫做Big Data Base。然后是高速的图缓存，
目前绝大多数公司的人工智能系统，然后取出一个表，计算完结果以后再输出，我们看一下金融数据智能有哪些需求，不再是把数据离线做决策再部署到线上;
计算场景复杂多样，从大规模数据仓库批计算，另一方面给我们带来了新的挑战。以及我们的思考。或者业务对数据有新的需求，
然后还有在线流图融合，因为到底SQL是不是最适合于Graph语言是有争议的，所有的这一套组合在一起，底层会直接针对SQL产生出机器学习的任务来训练模型。SQLFLow相当于用SQL描述你对应用的需求，有时候需要流加上图，
经过前面针对图计算能力的研发后，到做离线全图的迭代计算引擎， 需要做严格的数据安全和隐私保护，用于部分合适的场景。
然后是大规模全图计算，我们遇到的问题是，高可靠的计算服务;
数据安全、