自建还是采购，哪种方式更好？
时间：2022-04-05 20:27:02 | 来源：行业动态
时间：2022-04-05 20:27:02 来源：行业动态
与大多数技术选择一样，AI/ML工作负载的容器化领域也会带来该这样，还是该那样的困扰。而且这个问题并没有简单直观的答案。
目前市面上有着众多用于容器化运行AI/ML负载的开源项目选项。
Autify公司的Mustafa表示，机器学习工作流的容器化进程会带来新的成本，而且这部分成本很可能超出小型团队的承受范围。但对大型团队来说，收益却可能远高于成本。
所以，IT领导者及团队必须带着明确的目标或者理由推动容器化工作。Frank坦言，总之，别让本就复杂的情况变得更加复杂。除非容器化机器学习负载能够带来超越精力投入的业务价值，否则最好别乱折腾。
但这种价值已经渗透到越来越多的企业当中，也随着AI/ML的总体普及而不断增加。所以当我们应该选择容器化吗？的问题获得了肯定的答案，接下来要考虑的则是自建还是采购。
好消息是，各类容器化平台、工具与服务正在不断涌现，目前市面上有着众多用于容器化运行AI/ML负载的开源项目选项。比如Kubeflow就专门负责在Kubernetes上编排机器学习类工作负载。
这里分享一条普适标准，除非AI/ML工作流的容器化、部署与管理事务就是企业的业务核心，否则千万别在这方面耗费太多精力。Haff表示，与云原生领域的情况类似，当团队过度专注于组装平台与工作流、却忽视了处理手头的实际业务问题时，也就离失败不远了。很多团队在平台构建完成之后，才意识到自己需要使用的是GPU资源，这时候再要调整已经来不及了。
一旦遇到这种状况，团队只能把大量时间浪费在补救和处理设计失误当中，根本没工夫思考真正重要的模型开发、训练与推理工作。
Haff强调，作为一种可行的办法，我们不妨选择统一的自助服务平台，例如OpenShift Data Science。它既能提供集成化工作流，也允许用户根据实际需求添加额外的开源和专有工具。
另外，无论大家走的是商业路线、开源路线还是二者兼有，请务必为未来发展预留回旋空间。AI/ML生态系统每分每秒都在迅猛发展，我们自己的战略也随时可能有所变化，必须提前做好规划。
Reznik最后总结道，别把自己绑在一家供应商身上。我们应该充分发挥各类开源解决方案的优势，不要满足于供应商摆在面前的那少数几种选项。方案的多样性越强，我们的团队就将拥有更多的创新可能性。
在线咨询
