我们正在尝试找到一种方法来加载 Spark (2.x) ML 训练模型，以便根据请求（通过 REST 接口）我们可以查询它并获取预测，例如http://predictor.com:8080/give /我/预测？a = 1，b = 2，c = 3
有一些开箱即用的库可以将模型加载到 Spark 中（假设它在使用 MLWritable 训练后存储在某个地方），然后将其用于预测，但将其包装在作业中并根据每个请求/调用运行它似乎有些过分SparkContext的初始化。
然而，使用 Spark 的优点是我们可以保存 Pipeline 模型并执行相同的特征转换，而无需在 SparkContext 之外实现它。
经过一番挖掘，我们发现Spark-job-server可以通过允许我们为作业服务器初始化“热”spark-context 来帮助我们解决这个问题，因此，我们可以通过调用预测来服务请求使用 Spark-job-server 的 REST API 在现有上下文中执行作业（并获取结果）。
这是 API 化预测的最佳方法吗？由于特征空间的原因，我们无法预先预测所有组合。
或者，我们考虑使用 Spark Streaming 并将预测保存到消息队列中。这允许我们不使用spark-job-server，但它并没有简化整体流程。有人尝试过类似的方法吗？