Canonical发布自家最新的Kubernetes机器学习开发工作流程工具Charmed Kubeflow 1.4，数据科学家可运用这套软件更快实例概念，实际部署到云计算，并安全地在机器学习项目上协作。同时，新版软件在高端模型生命周期管理中添加多项功能，包括加入上游Kubeflow 1.4和MLFlow集成支持。
比起以前的版本，Kubeflow 1.4具有重大的可用性改进。例如，提供一致的训练Operator，支持目前主流的机器学习框架，例如TensorFlow、MXNet、XGBoost和PyTorch，而这个特色能够大幅简化解决方案，并提高未来的可扩展性，也让Kubernetes集群消耗更少的资源。
Charmed Kubeflow现在也集成MLFlow，因此用户可以使用MLFlow指标和模型注册表，来达到真正的自动化模型生命周期管理。基本上，MLFlow本身是机器学习模型生命周期管理开源平台，能用于实验、再现和部署模型上，并提供集中式的模型登录机制。
借由使用MLFlow集成功能，数据科学家能够构建模型漂移（Model Drift）自动侦测，并且触发Kubeflow再训练工作管线。对于因即时预测资料集和训练资料集的变化，模型准确性开始下降，所产生的模型漂移，也能通过MLFlow集成功能，有效解决该问题。
在最新推出的Charmed Kubeflow 1.4，支持所有Kubeflow组件开箱即用的多用户部署场景，包括Kubeflow笔记本、工作管线和实验，能简化Charmed Kubeflow的使用，也改善治理，进而减少影子IT环境的发生，还能避免组织资料泄露。