自建還是采購，哪種方式更好？

時間：2022-04-05 20:27:02 | 來源：行業(yè)動態(tài)

時間：2022-04-05 20:27:02 來源：行業(yè)動態(tài)

與大多數(shù)技術(shù)選擇一樣，AI/ML工作負(fù)載的容器化領(lǐng)域也會帶來該這樣，還是該那樣的困擾。而且這個問題并沒有簡單直觀的答案。

目前市面上有著眾多用于容器化運行AI/ML負(fù)載的開源項目選項。

Autify公司的Mustafa表示，機器學(xué)習(xí)工作流的容器化進程會帶來新的成本，而且這部分成本很可能超出小型團隊的承受范圍。但對大型團隊來說，收益卻可能遠(yuǎn)高于成本。

所以，IT領(lǐng)導(dǎo)者及團隊必須帶著明確的目標(biāo)或者理由推動容器化工作。Frank坦言，總之，別讓本就復(fù)雜的情況變得更加復(fù)雜。除非容器化機器學(xué)習(xí)負(fù)載能夠帶來超越精力投入的業(yè)務(wù)價值，否則最好別亂折騰。

但這種價值已經(jīng)滲透到越來越多的企業(yè)當(dāng)中，也隨著AI/ML的總體普及而不斷增加。所以當(dāng)我們應(yīng)該選擇容器化嗎？的問題獲得了肯定的答案，接下來要考慮的則是自建還是采購。

好消息是，各類容器化平臺、工具與服務(wù)正在不斷涌現(xiàn)，目前市面上有著眾多用于容器化運行AI/ML負(fù)載的開源項目選項。比如Kubeflow就專門負(fù)責(zé)在Kubernetes上編排機器學(xué)習(xí)類工作負(fù)載。

這里分享一條普適標(biāo)準(zhǔn)，除非AI/ML工作流的容器化、部署與管理事務(wù)就是企業(yè)的業(yè)務(wù)核心，否則千萬別在這方面耗費太多精力。Haff表示，與云原生領(lǐng)域的情況類似，當(dāng)團隊過度專注于組裝平臺與工作流、卻忽視了處理手頭的實際業(yè)務(wù)問題時，也就離失敗不遠(yuǎn)了。很多團隊在平臺構(gòu)建完成之后，才意識到自己需要使用的是GPU資源，這時候再要調(diào)整已經(jīng)來不及了。

一旦遇到這種狀況，團隊只能把大量時間浪費在補救和處理設(shè)計失誤當(dāng)中，根本沒工夫思考真正重要的模型開發(fā)、訓(xùn)練與推理工作。

Haff強調(diào)，作為一種可行的辦法，我們不妨選擇統(tǒng)一的自助服務(wù)平臺，例如OpenShift Data Science。它既能提供集成化工作流，也允許用戶根據(jù)實際需求添加額外的開源和專有工具。

另外，無論大家走的是商業(yè)路線、開源路線還是二者兼有，請務(wù)必為未來發(fā)展預(yù)留回旋空間。AI/ML生態(tài)系統(tǒng)每分每秒都在迅猛發(fā)展，我們自己的戰(zhàn)略也隨時可能有所變化，必須提前做好規(guī)劃。

Reznik最后總結(jié)道，別把自己綁在一家供應(yīng)商身上。我們應(yīng)該充分發(fā)揮各類開源解決方案的優(yōu)勢，不要滿足于供應(yīng)商擺在面前的那少數(shù)幾種選項。方案的多樣性越強，我們的團隊就將擁有更多的創(chuàng)新可能性。