业界已有的解决方法
各种方法分析
RServer
基本上我们用Rserver方式，针对一次1000条或者更少请求的预测，可以控制95%的结果在100ms内返回结果，100ms可以满足工程上的实践要求。更大的数据量，比如10000/次，100000/次的预测，我们目前评估下来满足不了100ms的要求，建议分批进行调用或者采用多线程请求的方式来实现。
机器学习算法线上部署方法 https://zhuanlan.zhihu.com/p/23382412
PFA
PFA太新，开源支持太少
PMML
PCA，归一化可以封装成preprocess转换成PMML
特征处理支持比较少
mleap
优点：使用Spark和Scikit-learn， 如果不希望在API堆栈中使用Python，很难将ML /数据 pipeline模型部署到生产API服务。 MLeap提供简单的接口来执行整个ML pipeline，从特征变换到分类，回归，聚类算法和神经网络。
http://mleap-docs.combust.ml/core-concepts/mleap-bundles.html#bundle-structure
H2O
H2O.AI ,H2O.ai,提供了MOJO和POJO的方式；
H2O是一个完全开源的分布式内存机器学习平台，具有线性可扩展性。 H2O支持最广泛使用的统计和机器学习算法，包括梯度增强机器，广义线性模型，深度学习等。 H2O还具有业界领先的AutoML功能，可自动运行所有算法及其超参数，以生成最佳模型的排行榜。 H2O平台被全球14,000多家组织使用，并且在R＆Python社区中非常受欢迎。
优点：使用Java（POJO）和二进制格式（MOJO）快速轻松地将模型部署到生产中。满足了pipeline部署到生产环境
缺点：离线训练需要基于H2O的分布式系统、学习维护成本比较高。
preditionIO
preditionIO，Welcome to Apache PredictionIO™!，可以基于spark和hbase来提供相应的API服务，还是很方便的
缺点：与Apache Spark，MLlib，HBase，Spray和Elasticsearch捆绑在一起，不能单独部署，不够灵活
结合我们现在的技术栈，综合下来采用MLeap是个不错的选择，相对于我们现在的框架优点明显，随后对MLeap进行一些基础测试。
