考虑到大数据的爆炸式增长，在生产中部署预测模型似乎没有太多选择。
我了解开源 PMML 可用于将模型导出为 XML 规范。然后可以将其用于数据库内评分/预测。然而，要完成这项工作，您似乎需要使用 Zementis 的 PMML 插件，这意味着该解决方案并不是真正的开源。是否有更简单的开放方式将 PMML 映射到 SQL 以进行评分？
另一种选择是使用 JSON 而不是 XML 来输出模型预测。但在这种情况下，R 模型会放在哪里？我假设它总是需要映射到 SQL...除非 R 模型可以与数据位于同一服务器上，然后使用 R 脚本针对传入的数据运行？
还有其他选择吗？
答案实际上取决于您的生产环境是什么。
如果您的“大数据”在 Hadoop 上，您可以尝试这个相对较新的开源 PMML“评分引擎”，称为Pattern。
否则，您别无选择（除了编写自定义模型特定代码），只能在您的服务器上运行 R。您将使用save将拟合模型保存在 .RData 文件中，然后在服务器上load运行相应的模型。predict（这肯定会很慢，但你总是可以尝试投入更多的硬件。）
你如何做到这一点实际上取决于你的平台。通常有一种方法可以添加用 R 编写的“自定义”函数。术语是 UDF（用户定义函数）。在 Hadoop 中，您可以将此类函数添加到 Pig（例如https://github.com/cd-wood/pigaddons），或者您可以使用RHadoop编写简单的 map-reduce 代码来加载模型并predict在 R 中调用。如果您的数据在 Hive 中，您可以使用Hive TRANSFORM来调用外部 R 脚本。
还有一些特定于供应商的方法可以将用 R 编写的函数添加到各种 SQL 数据库中。再次在文档中查找 UDF。例如，PostgreSQL 有PL/R。
您可以使用管道工 ( https://github.com/trestletech/plumber )为您的 R 脚本创建 RESTful API 。
我以部署信用模型为例写了一篇关于它的博客文章（http://www.knowru.com/blog/how-create-restful-api-for-machine-learning-credit-model-in-r/ ） .
一般来说，我不推荐 PMML，因为您使用的包可能不支持转换为 PMML。
一种常见的做法是在 R 中对新的/更新的数据集进行评分，并且仅将结果（ID、分数、概率、其他必要字段）移动到生产环境/数据仓库中。
我知道这有其局限性（不经常刷新、依赖 IT、数据集大小/计算能力限制），并且可能不是许多（您的老板）正在寻找的最前沿的答案；但是对于许多用例来说，这很有效（并且成本友好！）。
自从最初提出这个问题以来已经有几年了。
对于快速原型设计，我认为目前最简单的方法是使用Jupyter Kernel Gateway。这允许您将 REST 端点添加到 Jupyter 笔记本中的任何单元格。这适用于 R 和 Python，具体取决于您使用的内核。
这意味着您可以通过 Web 界面轻松调用任何 R 或 Python 代码。当与 Docker 结合使用时，它适用于一种微服务方法来部署和扩展您的应用程序。
这是一篇文章，将带您从头到尾快速设置您的 Jupyter Notebook 与 Jupyter Kernel Gateway。
学习构建机器学习服务、原型真实应用程序并将您的工作部署给用户
为了将解决方案转移到 生产中，2019 年的主要方法是使用Kubeflow。Kubeflow 由 Google 创建和维护，它使“扩展机器学习 (ML) 模型并将其部署到生产环境中尽可能简单”。
从他们的网站：
您可以调整配置以选择要用于ML 工作流每个阶段的平台和服务：数据准备、模型训练、预测服务和服务管理。您可以选择将工作负载部署到本地或云环境。
来自 Yhat 的 Elise。
就像提到的@Ramnath 和@leo9r 一样，我们的软件允许您通过 REST API 端点将任何 R（或 Python，就此而言）模型直接投入生产。
我们处理实时或批处理，以及与流程相关的所有模型测试和版本控制 + 系统管理。
如果您正在考虑如何将 R 模型投入生产（他们的数据 sci 团队在使用 Yhat 之前将其重新编码为 PHP），我们与 VIA SMS 共同撰写的这个案例研究可能会很有用。
干杯!