共计 1811 个字符，预计需要花费 5 分钟才能阅读完成。
原文出自 infosecurity
作者：Rebecca James
京东云开发者社区编译
以后，数字化转型的热潮在 IT 畛域倒退的热火朝天，越来越多的企业投身其中，机器学习和人工智能等古代技术的交融在公司组织外部也逐步流行起来。
随着那些形成企业简单 IT 基础架构的技术日益成熟，部署云原生环境以及在该环境中应用容器早已成为企业技术轨道中的“粗茶淡饭”。
侥幸的是，对于企业所有者而言，Kubernetes 和容器部署技术不仅能够与机器学习技术并驾齐驱，而且能够引入到云原生模型中，从而为企业提供良多裨益，包含施行无效的业务策略以及安全性的造就。
当咱们谈到机器学习时，你会想到什么？机器的利用场景是多种多样的 — 从简略的欺诈 / 网络立功侦察，到量身定制的客户体验，再到像供应链优化这样简单的操作，所有都证实了机器学习可能为企业所带来的丰富利润。
此外，Gartner 的预测进一步证实了机器学习所提供的泛滥劣势，该预测指出，到 2021 年，70% 的企业都将依赖于某种模式的人工智能。
人工智能在业务中的利用
企业若想充分利用人工智能和机器学习，并将其利用于 DevOps 和 DevSecOps 等新业务组中，他们必须领有牢靠的 IT 基础架构。
弱小的 IT 环境可能为数据科学家提供尝试各种数据集、计算模型和算法的环境，而不会影响其余操作，也不会给 IT 人员造成损失。
为了在业务中无效实现机器学习，企业须要找到一种在本地和云环境中反复部署代码的办法，并建设与所有所需数据源的连贯。
对于古代企业而言，工夫是帮忙他们实现目标的根本工具，因而，他们迫切需要一种反对疾速开发代码的 IT 环境。
说到容器，容器通过将代码及其特定的运行要求打包在“包装”中，从而放慢了企业应用程序的部署过程，这一个性使容器成为了企业的现实抉择，也因而成为了机器学期和人工智能的现实搭档。
综上所述，基于容器环境下进行的人工智能我的项目的三个阶段，包含摸索、训练模型和部署，是十分有后劲的。每个阶段具体又包含什么呢？下文将对这三个阶段开展阐明。
01 摸索
在构建 AI 模型时，数据科学家们遵循的标准是尝试不同的数据集以及各种 ML 算法，以确定要应用的数据集和算法，以便他们能够进步预测程度效率和准确性。
通常，数据科学家依附大量的库和框架来为不同行业中的各种状况和问题创立 ML 模型。当数据科学家们试图发现新的支出起源并努力实现企业的业务指标时，他们还须要具备运行测试并疾速执行测试的能力。
只管 AI 技术的应用突飞猛进，但已有数据表明，令数据科学家和工程师应用容器化开发的企业比其竞争者更据劣势。
渥太华 DevOps 工程师 Gary Stevens 的一份报告指出，加拿大网络托管提供商 HostPapa 的体现优于其余当先的网络托管提供商，这要归功于它早早地采纳了 Kubernetes。
在 AI 或 ML 我的项目的摸索阶段联合容器，可能使数据团队依据他们的特定畛域，自在打包库；相应地部署算法，并依据团队需要明确正确的数据源。
随着基于容器的程序（例如 Kubernetes）的胜利施行，数据科学家有权拜访隔离的环境。这使得他们能够自定义摸索过程，而不用在共享环境中治理多个库和框架。
02 模型训练
设计完模型后，数据科学家须要利用大量数据，跨平台训练 AI 程序，以最大水平地进步模型的准确性，并缩小任何人工资源的应用。
思考到训练 AI 模型是一项高度计算密集型操作的事件，容器被证实在扩大的工作负荷以及疾速与其余节点通信方面十分无利。然而，通常状况下 IT 团队的成员或调度程序会确定最佳节点。
此外，通过容器进行古代数据管理平台进行数据训练，极大地影响并简化了 AI 模型中的数据管理流程。此外，数据科学家还具备在多种不同类型的硬件（例如 GPU）上运行 AI 或 ML 我的项目的劣势，这也使他们可能始终应用那些最具准确性的硬件平台。
03 部署
作为 AI 我的项目中最辣手的局部，在机器学习应用程序的生产和部署阶段中可能常常会呈现多个 ML 模型的组合，而每个模型都有其不同的用处。
通过在 ML 应用程序中联合容器，IT 团队能够将每个特定模型部署为独自的微服务。那么，微服务又是什么？微服务是指一个独立的轻量级程序，开发人员可能在其余应用程序中重复使用该程序。
容器不仅为疾速部署 ML 和 AI 模型提供了一个可移植的、隔离且统一的环境，也领有可能扭转当今 IT 格局的能力，那就是使企业可能更快更好地实现其指标。
原文链接：https://www.infosecurity-maga…