机器学习技术系列：【机器学习工程化平台 Kubeflow】简介

导言

如今，很多科技企业都投入了对机器学习技术的研究和应用中。但是面临的情况可能是组织已经在本地使用机器学习，但还不能够将其部署到生产环境中；或者能够部署模型，但无法对其进行有效管理。在这种情况下，最有价值的技能不是训练模型，而是管理模型，并以让它们产生最大影响的方式部署它们。

了解模型开发生命周期

通常机器学习或模型开发遵循以下路径：数据→信息→知识→洞察力。这种从数据中产生洞察力的方式可以用下图来形象地描述。

了解“机器学习工程化”

机器学习工程化是指将机器学习模型的开发、部署和维护纳入到软件工程的流程中，以确保模型能够在生产环境中稳定、高效地运行。机器学习工程化的目标是实现模型的可重复性、可扩展性、可维护性和可监控性，同时保持模型的准确性和可解释性。

一些实现机器学习工程化的最佳实践：

1. 数据管道：建立自动化的数据收集、清洗、处理和转换管道，确保数据的一致性和准确性。
2. 版本控制：对于代码、数据和模型等重要组件进行版本控制，以便快速回滚和追溯。
3. 自动化测试：建立自动化的单元测试和集成测试，确保模型的准确性和稳定性。
4. 模型监控：建立监控系统，定期检查模型的性能和预测结果，及时发现和解决问题。
5. 模型部署：使用容器技术（如Docker）将模型封装为服务，方便部署和管理。
6. 可解释性：尽量使用可解释的模型，以便在出现问题时能够理解模型的决策过程。
7. 质量保证：建立质量保证流程，确保模型的可靠性和一致性。
8. 持续集成和持续部署：建立自动化的持续集成和持续部署流程，确保模型的快速迭代和发布。
9. 团队协作：建立跨学科的团队合作机制，促进数据科学家、数据开发工程师和运维人员之间的协作和交流。
10. 安全和隐私：建立安全和隐私保护机制，确保模型的数据和预测结果的保密性和安全性。

如果你是一名数据科学家，试图将模型投入生产；或者你是一名数据工程师，试图使模型具有可扩展性和可靠性，Kubeflow都可以帮助到我们。Kubeflow解决的正是机器学习从研究到生产的问题。

了解Kubeflow

Kubeflow 是一个云原生工具集，适用于MDLC（模型开发生命周期）的所有阶段（数据探索、特征准备、模型训练/调整、模型服务、模型测试和模型版本管理）。它是基于Kubernetes 的机器学习工具包，这些工具可以让传统上独立的工具无缝地结合在一起工作。工具的一个重要部分是Pipeline系统，它允许用户建立集成的端到端Pipeline，用于连接MDLC中的所有组件。   我们可以通过 Kubeflow 调整配置以选择要用于 ML 工作流每个阶段的平台和服务：

• 数据准备
• 模型训练
• 预测服务
• 服务管理

Kubeflow试图通过三个特征来简化机器学习：可组合性、可移植性和可扩展性。

• 可组合性：Kubeflow的核心组件来自机器学习从业者已经熟悉的数据科学工具。它们可以独立使用，以促进机器学习的特定阶段，也可以组合在一起形成端到端Pipeline。
• 可移植性：通过基于容器的设计并利用Kubernetes及其云原生架构，Kubeflow不限制开发环境。我们可以在笔记本电脑上进行实验和原型设计，并毫不费力地将其部署到生产中。
• 可扩展性：通过使用Kubernetes，Kubeflow可以根据集群上的需求，通过改变底层容器与机器的数量和大小来动态扩展。

Kubeflow 架构概述

下图显示了 Kubeflow 作为一个平台，用于构建在 Kubernetes 之上的 ML 系统组件：

了解机器学习工作流

开发和部署 ML（机器学习） 系统时，ML 工作流通常由多个阶段组成。开发 ML 系统是一个迭代过程。我们需要评估 ML 工作流各个阶段的输出，并在必要时对模型和参数进行更改，以确保模型不断生成所需的结果。 在试验阶段，我们将根据初始假设开发模型，并以迭代方式测试和更新模型以生成所需的结果：

• 确定我们希望 ML 系统解决的问题。
• 收集和分析训练 ML 模型所需的数据。
• 选择 ML 框架和算法，并对模型的初始版本进行编码。
• 试验数据和训练模型。
• 调整模型超参数，以确保最高效的处理和最准确的结果。

在生产阶段，部署执行以下过程的系统：

• 将数据转换为训练系统所需的格式。为了确保模型在训练和预测期间行为一致，转换过程在试验和生产阶段必须相同。
• 训练 ML 模型。
• 为模型提供在线预测或以批处理模式运行。
• 监视模型的性能，并将结果馈送到流程中，以调整或重新训练模型。

Kubeflow 组件 在 ML workflow 中的功能示意

部署 Kubeflow

我们是在纯净的K8s集群进行的安装，详细部署过程请参见我们同事的安装文档，非常详尽《Kubeflow（1.6.1）部署》

Kubeflow 用户界面 （UI） 概述

• Home：主页，访问最新资源、活动实验和有用文档的中心枢纽。
• Notebook Servers：管理笔记本服务器。
• TensorBoards：用于管理TensorBoard服务器。
• Volumes：用于管理群集的卷。
• Models：管理已部署的 KF 服务模型。
• Experiments (AutoML)：用于管理 Katib 实验。
• Experiments (KFP)：管理 Kubeflow Pipelines （KFP） 实验。
• Pipelines：管理 KFP 管道。
• Runs：管理 KFP 运行任务。
• Recurring Runs：管理 KFP 定期运行任务。
• Artifacts：跟踪 ML 元数据 （MLMD） 项目。
• Executions：跟踪 MLMD 中的各种组件执行。
• Manage Contributors：在 Kubeflow 部署中配置跨命名空间的用户访问共享。

这篇对于 Kubeflow 的简介文章暂且先到这儿，在使用 Kubeflow 的过程中还是感受到了较高的使用成本，等熟练掌握了希望再进行填充更新。另外，从 Kubeflow 官网的博客宣传得知，它已经进入了CNCF（云原生基金会）项目孵化进程，希望借助CNCF 使之生态愈加繁荣，我们的使用愈加简单便捷。

附

希望大家关注我的 GitHub 开源项目 https://github.com/yaocoder/Architect-CTO-growth 包括技术实践及手册撰写：涵盖DevOps，云原生技术，大数据，人工智能，高并发&高性能&高可用服务等，后续会逐渐细化一些知识点。一起学习成长！如果对你有用，也请星标一下O(∩_∩)O