爲何Kubernetes和容器與機器學習密不可分？

當前，數字化轉型的熱潮在IT領域發展的如火如荼，愈來愈多的企業投身其中，機器學習和人工智能等現代技術的融合在公司組織內部也逐漸流行起來。

隨着那些構成企業複雜IT基礎架構的技術日益成熟，部署雲原生環境以及在該環境中使用容器早已成爲企業技術軌道中的「屢見不鮮」。

幸運的是，對於企業全部者而言，Kubernetes和容器部署技術不只能夠與機器學習技術並駕齊驅，並且能夠引入到雲原生模型中，從而爲企業提供良多裨益，包括實施有效的業務策略以及安全性的培養。

當咱們談到機器學習時，你會想到什麼？機器的應用場景是多種多樣的 -- 從簡單的欺詐/網絡犯罪偵查，到量身定製的客戶體驗，再到像供應鏈優化這樣複雜的操做，一切都證實了機器學習可以爲企業所帶來的豐厚利潤。

此外，Gartner的預測進一步證實了機器學習所提供的衆多優點，該預測指出，到2021年，70%的企業都將依賴於某種形式的人工智能。

人工智能在業務中的應用

企業若想充分利用人工智能和機器學習，並將其應用於DevOps和DevSecOps等新業務組中，他們必須擁有可靠的IT基礎架構。

強大的IT環境可以爲數據科學家提供嘗試各類數據集、計算模型和算法的環境，而不會影響其餘操做，也不會給IT人員形成損失。

爲了在業務中有效實現機器學習，企業須要找到一種在本地和雲環境中重複部署代碼的方法，並創建與全部所需數據源的鏈接。

對於現代企業而言，時間是幫助他們實現目標的基本工具，所以，他們迫切須要一種支持快速開發代碼的IT環境。

說到容器，容器經過將代碼及其特定的運行要求打包在「包裝」中，從而加快了企業應用程序的部署過程，這一特性使容器成爲了企業的理想選擇，也所以成爲了機器學期和人工智能的理想搭檔。

綜上所述，基於容器環境下進行的人工智能項目的三個階段，包括探索、訓練模型和部署，是很是有潛力的。每一個階段具體又包括什麼呢？下文將對這三個階段展開說明。

01 探索

在構建AI模型時，數據科學家們遵循的規範是嘗試不一樣的數據集以及各類ML算法，以肯定要使用的數據集和算法，以便他們能夠提升預測水平效率和準確性。

一般，數據科學家依靠大量的庫和框架來爲不一樣行業中的各類狀況和問題建立ML模型。當數據科學家們試圖發現新的收入來源並努力實現企業的業務目標時，他們還須要具有運行測試並快速執行測試的能力。

儘管AI技術的使用突飛猛進，但已有數據代表，令數據科學家和工程師使用容器化開發的企業比其競爭者更據優點。

渥太華DevOps工程師Gary Stevens的一份報告指出，加拿大網絡託管提供商HostPapa的表現優於其餘領先的網絡託管提供商，這要歸功於它早早地採用了Kubernetes。

在AI或ML項目的探索階段結合容器，可以使數據團隊根據他們的特定領域，自由打包庫；相應地部署算法，並根據團隊需求明確正確的數據源。

隨着基於容器的程序（例如Kubernetes）的成功實施，數據科學家有權訪問隔離的環境。這使得他們能夠自定義探索過程，而沒必要在共享環境中管理多個庫和框架。

02 模型訓練

設計完模型後，數據科學家須要利用大量數據，跨平臺訓練AI程序，以最大程度地提升模型的準確性，並減小任何人工資源的使用。

考慮到訓練AI模型是一項高度計算密集型操做的事情，容器被證實在擴展的工做負荷以及快速與其餘節點通訊方面很是有利。可是，一般狀況下IT團隊的成員或調度程序會肯定最佳節點。

此外，經過容器進行現代數據管理平臺進行數據訓練，極大地影響並簡化了AI模型中的數據管理流程。此外，數據科學家還具備在多種不一樣類型的硬件（例如GPU）上運行AI或ML項目的優點，這也使他們可以一直使用那些最具準確性的硬件平臺。

03 部署

做爲AI項目中最棘手的部分，在機器學習應用程序的生產和部署階段中可能常常會出現多個ML模型的組合，而每一個模型都有其不一樣的用途。

經過在ML應用程序中結合容器，IT團隊能夠將每一個特定模型部署爲單獨的微服務。那麼，微服務又是什麼？微服務是指一個獨立的輕量級程序，開發人員可以在其餘應用程序中重複使用該程序。

容器不只爲快速部署ML和AI模型提供了一個可移植的、隔離且一致的環境，也擁有可能改變當今IT格局的能力，那就是使企業可以更快更好地實現其目標。

原文連接：https://www.infosecurity-magazine.com/opinions/kubernetes-containers-machine/

以上信息來源於網絡，由「京東智聯雲開發者」公衆號編輯整理，不表明京東智聯雲立場

歡迎點擊「京東智聯雲」瞭解更多精彩內容！

---