機器學(xué)習(xí)的工作量非常艱巨。盡管開源貢獻解決了許多障礙，但一些最受熱捧的機器學(xué)習(xí)框架只是略過要完成的工作的表面。是否存在一種可以使從數(shù)據(jù)攝取到訓(xùn)練再到邊緣推理的龐大機器學(xué)習(xí)過程崩潰的技術(shù)?

微軟公司開源機器學(xué)習(xí)策略負責(zé)人David Aronchick(如圖)表示，如今，越來越多的人選擇正確的機器學(xué)習(xí)框架 ?？紤]到的框架包括 TensorFlow，Microsoft Cognitive Toolkit 和Apache MXNet。很少。它們遠非無用之舉-但它們可能還不能保證它們會引起所有關(guān)注。

“事實是，當(dāng)您觀察整體情況時，這只是普通數(shù)據(jù)科學(xué)家所完成工作的5%，” Aronchick說。他補充說，剩下的95%是一大堆生銹的螺母和螺栓，應(yīng)該已經(jīng)將其抽象掉。

這就是目標(biāo)Kubeflow -用于部署和管理上的機器學(xué)習(xí)棧的開源項目Kubernetes，一個開源的平臺，策劃容器，用于運行分布式應(yīng)用程序的虛擬化方法。

在最近于西雅圖舉行的KubeCon + CloudNativeCon會議上， Aronchick與John Furrier 和Stu Miniman ( SiliconANGLE Media的移動實時流媒體工作室)的聯(lián)合主持人進行了交談。他們討論了開放源代碼和學(xué)術(shù)界的烹飪方法，以縮短機器學(xué)習(xí)周期。

Kubernetes為數(shù)據(jù)科學(xué)家提供了期待已久的抽象層

我們今天要求數(shù)據(jù)科學(xué)家進行的艱巨工作將震驚更抽象的信息技術(shù)領(lǐng)域的許多人。“我們正在要求數(shù)據(jù)科學(xué)家，機器學(xué)習(xí)工程師考慮如何配置Pod，如何在驅(qū)動程序上工作，如何做所有這些非常非常低級的事情，” Aronchick說。

Aronchick相信學(xué)術(shù)研究人員將發(fā)現(xiàn)減少訓(xùn)練模型所需的數(shù)據(jù)量和勞動力的方法。但是，這可能無法解決所有數(shù)據(jù)傳輸問題。他補充說，跨多云環(huán)境的操作需要Kubernetes的抽象層。

他說：“現(xiàn)實是，您無法超越光速。” “如果我在這里有PB級的數(shù)據(jù)，將需要很長時間才能將其移到那里。我認為您最終將把模型，訓(xùn)練和推理移到許多很多不同的位置。”

Kubernetes和Kubeflow提供了高級抽象，因此數(shù)據(jù)科學(xué)家可以處理模型，查看其工作原理，按一下按鈕并在所有必要的機器上進行配置。

不，Kubernetes不會像奶油干酪那樣在Azure，Google Cloud Platform和Amazon Web Services Inc.上分發(fā)應(yīng)用程序。“您真正想做的是將隔離部署部署到每個位置，使您只需一個按鈕即可部署到所有這三個位置，” Aronchick說。