人工智能获得巨大的 Kubernetes 提升

Canonical 的 Carmine Rimi

根据斯坦福大学的一项研究，自世纪之交以来，人工智能 (AI) 初创公司的数量增加了 14 倍。 Canonical 的 AI 产品经理 Carmine Rimi 说，仅在英国 – Ubuntu 背后的公司， 仅在过去一年，人工智能开发人员就见证了风险投资资金的 200% 激增；随着人工智能的变革潜力打破所有界限。

创建 AI 应用程序以改善开展业务的方式，实际上是改善人们的生活，这是一项艰巨的任务。这些应用程序的开发和构建很复杂，因为它们涉及不同类型的数据；使移植到不同平台变得麻烦。

除了这些挑战之外，每个阶段都需要几个步骤才能开始构建最基本的 AI 应用程序。一系列技能是必要的，包括特征提取、数据收集验证和分析以及机器资源管理，以支持实际 ML 代码的相对较小的子集。在起跑线上占据一席之地之前，需要做很多工作；以及正在进行的大量工作以保持应用程序的最新状态。所有开发者都在寻找应对这些重大挑战的方法。

控制自己

为了使应用程序保持最新状态并平衡应用程序开发中的工作负载，此搜索的结果通常会得到相同的答案 – Kubernetes。这个开源平台可以成为一个促进者，因为它可以自动化容器化应用程序的部署和管理，包括人工智能和机器学习等复杂的工作负载。 Kubernetes 之所以享有盛誉，是因为它不仅能够完成这些工作，而且还能作为容器编排平台。

福雷斯特 最近表示“Kubernetes 赢得了容器编排优势的战争，应该成为您微服务计划的核心”。容器为进程运行提供了一个紧凑的环境。它们易于扩展，可在各种环境中移植，因此，它们能够将大型单体应用程序拆分为有针对性、更易于维护的微服务。根据 Cloud Native Computing Foundation 的一项调查，大多数开发人员表示，他们正在各个开发阶段利用 Kubernetes。

大多数公司正在运行或计划开始使用 Kubernetes 作为工作负载平台。当然，人工智能是一种正在迅速获得重要性的工作负载。 Kubernetes 非常适合这项任务，因为 AI 算法必须能够扩展才能有效。某些深度学习算法和数据集需要大量计算。 Kubernetes 可以在这方面提供帮助，因为它专注于围绕需求进行扩展。

Kubernetes 还可以提供路线图，在多个商品服务器上部署支持 AI 的工作负载，跨越软件管道，同时抽象出管理开销。模型经过训练后，在不同的部署场景中为它们提供服务，从边缘计算到中央数据中心，对于非容器化的应用程序形式来说是一个挑战。再一次，Kubernetes 可以为在各种基板上分布式部署推理代理提供必要的灵活性。

改变焦点

随着企业将注意力转移到 AI 以削减运营成本、改进决策并以新的方式迎合客户，基于 Kubernetes 的容器正迅速成为支持公司采用 AI 和机器学习的第一大技术。去年 12 月 Kubernetes 项目推出了 Kubeflow，它专注于使机器学习工作流在 Kubernetes 上的部署变得简单、便携和可扩展。

虽然 Kubernetes 一开始只是无状态服务，但该项目表示客户已经开始将复杂的工作负载转移到平台上，利用 Kubernetes 的“丰富的 API、可靠性和性能”。 Kubernetes 增长最快的用例之一是作为机器学习的首选部署平台。

2017 年初，只有 Google Cloud Platform 支持 Kubernetes 及其 Google Kubernetes Engine。在这一年的高潮时，每个主要的公共云供应商都加入了进来。尤其是在 Microsoft 之后 为 Azure 容器服务和 Amazon 添加了 Kubernetes 支持 推出适用于 Kubernetes 的 Amazon Elastic Container Service。

Kubernetes 被企业推出和利用的方式似乎是无限的。在相对较短的生命周期中，Kubernetes 已经取得了很多成就。这突显了技术供应商及其客户在多大程度上倾向于容器在开发和管理应用程序的 AI 部分方面提供巨大好处的概念。 AI 的出现引发了对容器的巨大兴趣，以便为这些复杂的工作负载引入可重复性和容错性。

Kubernetes 正在成为事实上的 管理容器化 AI 应用程序的标准和完美匹配。它已经证明了自己，并且应该会在未来很长一段时间内继续为企业带来巨大利益。

作者是 Canonical 的 AI 产品经理 Carmine Rimi。