AI/ML工作负载代表的是工作流
时间：2022-04-05 20:00:01 | 来源：行业动态
时间：2022-04-05 20:00:01 来源：行业动态
根据Red Hat技术布道师Gordon Haff的观点，与其他各类工作负载一样，AI/ML工作负载的本质也可以被视作工作流。从工作流的角度加以审视，有助于阐明在容器内运行AI/ML的一些基本概念。
在AI/ML领域，工作流的起点始于数据收集与准备。没有这一步，模型不可能走得太远。
Haff强调，第一步就是数据的收集、清洁与处理。完成了这些环节，接下来才是模型训练，即根据一组训练数据调整参数。模型训练完成后，工作流中的下一步就是部署至生产环境。最后，数据科学家们需要监控模型在生产中的性能，跟踪各类预测及性能指标。
Haff用高度简化的方式描述了整个工作流，但其中仍然充斥着巨大的人员、流程及环境等相关工作量。为了提高一致性与可重复性，我们需要容器化工具协助简化整个流程。
Haff解释道，在传统上，这样的工作流往往需要跨越不同环境、在两到三位负责人之间往来交接。但基于容器平台的工作流能够支持自助服务，帮助数据科学家轻松将开发好的模型集成到应用场景当中。
在线咨询
