AI/ML工作負(fù)載代表的是工作流
時(shí)間：2022-04-05 20:00:01 | 來(lái)源：行業(yè)動(dòng)態(tài)
時(shí)間：2022-04-05 20:00:01 來(lái)源：行業(yè)動(dòng)態(tài)
根據(jù)Red Hat技術(shù)布道師Gordon Haff的觀點(diǎn)，與其他各類工作負(fù)載一樣，AI/ML工作負(fù)載的本質(zhì)也可以被視作工作流。從工作流的角度加以審視，有助于闡明在容器內(nèi)運(yùn)行AI/ML的一些基本概念。
在AI/ML領(lǐng)域，工作流的起點(diǎn)始于數(shù)據(jù)收集與準(zhǔn)備。沒(méi)有這一步，模型不可能走得太遠(yuǎn)。
Haff強(qiáng)調(diào)，第一步就是數(shù)據(jù)的收集、清潔與處理。完成了這些環(huán)節(jié)，接下來(lái)才是模型訓(xùn)練，即根據(jù)一組訓(xùn)練數(shù)據(jù)調(diào)整參數(shù)。模型訓(xùn)練完成后，工作流中的下一步就是部署至生產(chǎn)環(huán)境。最后，數(shù)據(jù)科學(xué)家們需要監(jiān)控模型在生產(chǎn)中的性能，跟蹤各類預(yù)測(cè)及性能指標(biāo)。
Haff用高度簡(jiǎn)化的方式描述了整個(gè)工作流，但其中仍然充斥著巨大的人員、流程及環(huán)境等相關(guān)工作量。為了提高一致性與可重復(fù)性，我們需要容器化工具協(xié)助簡(jiǎn)化整個(gè)流程。
Haff解釋道，在傳統(tǒng)上，這樣的工作流往往需要跨越不同環(huán)境、在兩到三位負(fù)責(zé)人之間往來(lái)交接。但基于容器平臺(tái)的工作流能夠支持自助服務(wù)，幫助數(shù)據(jù)科學(xué)家輕松將開(kāi)發(fā)好的模型集成到應(yīng)用場(chǎng)景當(dāng)中。
在線咨詢