强化MLOps应用,Canonical的Kubeflow新版强调可解决模型漂移问题

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。

发表评论