原文出自infosecurity
作者：Rebecca James 京東云開發者社區編譯當前，數字化轉型的熱潮在IT領域發展的如火如荼，越來越多的企業投身其中，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，
隨著那些構成企業復雜IT基礎架構的技術日益成熟，部署云原生環境以及在該環境中使用容器早已成為企業技術軌道中的“家常便飯”，
幸運的是，對于企業所有者而言，Kubernetes和容器部署技術不僅可以與機器學習技術并駕齊驅，而且可以引入到云原生模型中，從而為企業提供良多裨益，包括實施有效的業務策略以及安全性的培養，
當我們談到機器學習時，你會想到什么？機器的應用場景是多種多樣的 -- 從簡單的欺詐/網路犯罪偵查，到量身定制的客戶體驗，再到像供應鏈優化這樣復雜的操作，一切都證明了機器學習能夠為企業所帶來的豐厚利潤，
此外，Gartner的預測進一步證明了機器學習所提供的眾多優勢，該預測指出，到2021年，70%的企業都將依賴于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，并將其應用于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環境能夠為資料科學家提供嘗試各種資料集、計算模型和演算法的環境，而不會影響其他操作，也不會給IT人員造成損失，
為了在業務中有效實作機器學習，企業需要找到一種在本地和云環境中重復部署代碼的方法，并建立與所有所需資料源的連接，
對于現代企業而言，時間是幫助他們實作目標的基本工具，因此，他們迫切需要一種支持快速開發代碼的IT環境，
說到容器，容器通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式的部署程序，這一特性使容器成為了企業的理想選擇，也因此成為了機器學期和人工智能的理想搭檔，
綜上所述，基于容器環境下進行的人工智能專案的三個階段，包括探索、訓練模型和部署，是非常有潛力的，每個階段具體又包括什么呢？下文將對這三個階段展開說明，
01 探索
在構建AI模型時，資料科學家們遵循的規范是嘗試不同的資料集以及各種ML演算法，以確定要使用的資料集和演算法，以便他們可以提高預測水平效率和準確性，
通常，資料科學家依靠大量的庫和框架來為不同行業中的各種情況和問題創建ML模型，當資料科學家們試圖發現新的收入來源并努力實作企業的業務目標時，他們還需要具備運行測驗并快速執行測驗的能力，
盡管AI技術的使用日新月異，但已有資料表明，令資料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勢，
渥太華DevOps工程師Gary Stevens的一份報告指出，加拿大網路托管提供商HostPapa的表現優于其他領先的網路托管提供商，這要歸功于它早早地采用了Kubernetes，
在AI或ML專案的探索階段結合容器，能夠使資料團隊根據他們的特定領域，自由打包庫；相應地部署演算法，并根據團隊需求明確正確的資料源，
隨著基于容器的程式（例如Kubernetes）的成功實施，資料科學家有權訪問隔離的環境，這使得他們可以自定義探索程序，而不必在共享環境中管理多個庫和框架，
02 模型訓練
設計完模型后，資料科學家需要利用大量資料，跨平臺訓練AI程式，以最大程度地提高模型的準確性，并減少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作的事情，容器被證明在擴展的作業負荷以及快速與其他節點通信方面非常有利，但是，通常情況下IT團隊的成員或調度程式會確定最佳節點，
此外，通過容器進行現代資料管理平臺進行資料訓練，極大地影響并簡化了AI模型中的資料管理流程，此外，資料科學家還具有在多種不同型別的硬體（例如GPU）上運行AI或ML專案的優勢，這也使他們能夠一直使用那些最具準確性的硬體平臺，
03 部署
作為AI專案中最棘手的部分，在機器學習應用程式的生產和部署階段中可能經常會出現多個ML模型的組合，而每個模型都有其不同的用途，
通過在ML應用程式中結合容器，IT團隊可以將每個特定模型部署為單獨的微服務，那么，微服務又是什么？微服務是指一個獨立的輕量級程式，開發人員能夠在其他應用程式中重復使用該程式，
容器不僅為快速部署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，那就是使企業能夠更快更好地實作其目標，
原文鏈接：
?
https://www.infosecurity-magazine.com/opinions/kubernetes-containers-machine/?
轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/509127.html
標籤：其他
上一篇：ACL原理與配置及NAT