背景
flink是一个低延迟高吞吐的系统，每秒处理的数据量高达数百万，而机器模型一般比较笨重，虽然功能强大，但是qps一般都比较低，日常工作中，我们一般是如何把flink和机器学习模型组合起来一起使用呢?
flink和机器学习模型的常用组合方式
第一种：flink处理和机器模型的处理完全分离
一般来说，这是目前常用的组合方式，首先利用flink集群先把数据处理完，然后输出一份结果数据到某个外部存储，比如DB中，到这里flink的处理就完成了。紧接着是会有一个外部的定时任务，其任务是获取flink的结果数据，然后调用机器模型接口获取最终的预测结果，把这份预测结果写入到最终的存储目的地
第二种： flink处理和机器模型处理完全结合
这种方式要解决的最大问题是flink的处理速度和机器模型的qps完全不是一个数量级的问题，所以为了将就机器模型的吞吐量，我们一般会在flink中进行数据聚合操作，比如把每分钟的数据聚合然后在调用一次机器模型，这样就相当于每分钟只会调用一次机器模型接口，这种访问量机器模型完全能应对
