自建数据湖方案

[ihnfsa]

导师让做数据湖的大模型应用，但是我没有实际的数据湖可以用，有点无米之炊。各位老哥知道什么开源的基于 S3 协议的数据湖搭建方案吗？

[deorth]

op：虽然完全不知道导师出的什么吊题目，但是我先问问网友

[nullboy]

"数据湖" 这名字听起来怎么感觉怪怪的

[HughRyu]

我个人理解 Datalake 就是各个 Dataware 的集合，不能为了强行推 Datalake 概念而堆砌 Dataware 。

[ihnfsa]

@deorth 哈哈哈是这样的，导师也不懂

[ihnfsa]

@opengps 我的理解是数据湖要有个持久化的存储系统，可以是对象存储，也可以是 hdfs 这种

[ihnfsa]

@hero1874 谢谢哥，我去看看

[ihnfsa]

@ZGame 只是用现成的大模型，我也不会微调什么的

[ihnfsa]

这个题目是甲方给的，导师也不懂，没安排和甲方沟通，让我在这想方案。s3/hdfs 是我自己琢磨的，我看数据湖一般会有一个存储系统，可以用来放非结构化数据和查询系统的数据。rag 和向量数据库、图数据库有关系，但感觉这些查询系统放在湖里面有点强行了。

[VermouthcZzz]

@ihnfsa 目前跟 AI/数据 相关的似乎向量数据库符合你的要求
我最近在看向量搜索相关的内容 分享给你 希望你能获取一些灵感
https://pub.towardsai.net/advanced-rag-techniques-an-illustrated-overview-04d193d8fec6

[mhycy]

数据湖的大模型应用？是现有数据的 AI 标注再利用么？
这东西和数据湖没啥关系啊，反正是个信息量足够大的东西都能称之为湖
改个高大上名字罢了

[cbythe434]

重点是套大模型上去，数据湖不是重点
随便云平台整个 mysql ，搞一套大数据一键部署下
写的时候 replace_all("数仓","数据湖")

[ihnfsa]

@VermouthcZzz 谢谢，好文章。

[b821025551b]

去年软考备考的时候还真看过这玩意，个人理解是这样的：
目前的任何采用数据库的结构化存储方式，都不可以叫数据湖，而是叫数据仓库。上面各位所说的对象存储、Dataware 堆砌等等严格意义上都不能算是数据湖。
真要说什么是数据湖，可以理解成就是一个巨大的文件，里面存储着各种乱七八糟毫无章法的东西，结合 AI 来把这些毫无章法的东西进行数据挖掘。在这种场景下，重要的是如何去挖掘，而数据湖仅仅是一块硬盘，最重要的指标是 IO 速度，仅此而已。

[whileFalse]

数据湖就像你的磁盘，甭管是什么数据都一股脑丢进去，所以里面有各种不同格式的文件，相同格式的文件也有各种不同的数据结构

然后等你有功夫的时候为这些乱七八糟的格式分别建立结构、索引，然后再清洗、查询、可视化。

以 aws 为例，s3 就是磁盘，通过 glue 来为不同的数据文件创建结构，通过 athena 和 redshift spectrum 查询，通过 quicksight 可视化（这玩意很垃圾），还有 lake formation 这种管理服务。

[jiangbao888]

可以看下这个，感觉是你的需求。https://github.com/lakesoul-io/LakeSoul

[HkMuxxx]

数据湖本质也就是数仓吧，只是解决了传统数仓 upsert 的痛点

[ihnfsa]

@jiangbao888 谢谢了，这是个好东西，我部署一下试试

[ihnfsa]

@whileFalse 我理解的数据湖差不多就是这样，现在想自己部署一个，不然总有点知其表不知其里。

[allpass2023]

@b821025551b

今天在做一个培训，才第一次听说 Datalake 。 概念和你说的差不多，DATAWH 是一些整理过的数据，Datalake 就是一些未处理过，等着挖掘的数据。

[dayeye2006199]

@wheat0r 这位教授您快请主席台入座