什麼是 Kubeflow？

Kubeflow 通常可用於各種機器學習工作，包括：

• 建構可攜式又可擴充的機器學習工作流程：使用者可以將機器學習工作流程定義為 pipeline，方便在不同環境中分享及部署，進而提升機器學習程序的一致性和可重現性。
• 大規模訓練機器學習模型：Kubeflow 可協助將訓練工作負載分散至 Kubernetes 叢集，讓使用者能更有效率地在大型資料集上訓練模型。這種可擴充性可能有助於處理現代機器學習應用中日益增加的資料量。
• 部署用於正式環境的機器學習模型： 您可以使用 Kubeflow，將訓練好的機器學習模型部署為可擴充且可靠的服務，並輕鬆銜接模型開發與部署作業。這有助於將實驗階段的機器學習模型轉換為可用於正式環境的模型。
• 管理機器學習生命週期：Kubeflow 通常會提供追蹤實驗、管理模型版本和監控模型效能的功能，可簡化整個機器學習生命週期。這項全面的管理機制符合 MLOps 原則，即持續監控並改善機器學習模型。

Kubeflow 由多個元件組成，這些元件可協同運作，提供完善的平台。以下列舉幾個關鍵元件：

Kubeflow Pipeline 運用 Docker 容器，提供一個可建立及部署機器學習工作流程的平台，具可攜性且可擴充。每個 pipeline 都像是藍圖，詳細說明機器學習工作流程的步驟及其互連關係。Kubeflow Pipeline 提供簡單易用的介面，方便您有效管理及追蹤實驗、以視覺化方式呈現 pipeline 執行情形，以及深入檢查記錄和效能指標。

Katib 是機器學習模型的超參數調整系統。找出最適合模型的超參數組合可能會耗費許多時間，但 Katib 可自動執行這項工作。Katib 支援各種搜尋演算法，例如網格搜尋、隨機搜尋和貝式最佳化，可讓使用者更有效率地最佳化模型效能。

KFServing 提供無伺服器推論平台，可用來部署經過訓練的機器學習模型。這簡化了經過訓練的模型的部署和擴充作業。KFServing 支援 TensorFlow、PyTorch 和 scikit-learn 等各種機器學習架構，因此不受架構限制，也能適應各種機器學習生態系統。

Kubeflow 的中繼資料元件可提供歷程和構件追蹤功能。這個元件可協助數據資料學家追蹤實驗、資料集和模型，讓他們更輕鬆地管理及重現工作。這項中繼資料追蹤功能可促進團隊成員合作，確保結果的可重現性。

使用者可以根據個人需求和資歷，透過幾種方式開始使用 Kubeflow：

• 將 Kubeflow 部署至 Google Kubernetes Engine (GKE)：這個選項可讓您靈活地控管 Kubeflow 部署作業。使用者可以自訂安裝程序來滿足特定需求，並享有基礎 Kubernetes 叢集的完整存取權。不過，這項做法可能需要更多 Kubernetes 專業知識，且可能更複雜。
• 使用 Vertex AI Pipelines：這個選項是全代管服務，可讓您在 Google Cloud 中更輕鬆地部署及執行 Kubeflow 管道。Vertex AI Pipelines 會處理所有基礎架構管理作業，使用者可以專心建構及執行機器學習工作流程。如果您想尋找可快速簡單設定的代管解決方案，這項做法可能會是理想選擇。
• 在其他平台上探索 Kubeflow：Kubeflow 也能部署至其他 Kubernetes 環境。如要查看這些平台的安裝說明和說明文件，請前往 Kubeflow 網站。