Arrikto предоставляет управляемый сервис Kubeflow в облаке, поэтому создание и выполнение конвейеров машинного обучения становится одним щелчком мыши. Это управляемая служба, поэтому пользователю не нужно беспокоиться о базовой инфраструктуре.
Установка Kubeflow может быть сложной для человека с нулевым знанием DevOps. Поскольку Kubeflow построен на основе kubernetes, необходимо сначала установить kubernetes, чтобы запустить Kubeflow.
Arrikto абстрагирует базовую инфраструктуру, поэтому пользователь сосредотачивается только на обучении, тестировании и обслуживании модели.
1. Блокноты Kubeflow:
Блокноты в Kubeflow можно настраивать. Во время запуска сервера Jupyter мы можем указать минимальное и максимальное количество процессоров для сервера Jupyter, чтобы ноутбук мог автоматически масштабироваться в зависимости от требований. Мы можем запустить сервер Notebook, щелкнув Notebooks на панели навигации и выбрав нужные ресурсы и их размеры, и вуаля сервер Jupyter запущен и работает.
2. Тензорборды:
Tensorboards используются для визуализации рабочего процесса ML. С помощью Tenorboards мы можем визуализировать, как производительность нашей модели ведет себя с различными значениями гиперпараметров, и мы можем улучшить производительность нашей модели, выбрав нужные значения.
3. Модели:
Как только наша модель обучена, следующим шагом будет ее развертывание. Серверы моделей используются для развертывания моделей. Как только модель развернута на сервере моделей, мы можем сделать вывод удаленно.
4. Снимки:
Моментальные снимки используются для аварийного восстановления. Снимки — это журналы изменений, внесенных в систему. Arrikto использует ROK для моментальных снимков. Когда система выходит из строя, эти моментальные снимки помогают вернуться в рабочее состояние, поэтому время простоя сводится к минимуму и данные не теряются.
5. Объемы:
Тома — это хранилище файловой системы, прикрепленное к ноутбукам. Здесь находятся данные, и отсюда мы читаем данные и обучаем нашу модель. После обучения нашей модели мы сохраняем файл модели в прикрепленном томе.
6. Эксперименты (автоматическое машинное обучение):
Эксперименты автоматизируют конвейер машинного обучения. После создания эксперимента весь конвейер машинного обучения выполняется с разными моделями и разными значениями гиперпараметров, и записываются оптимальные результаты. Аррикто делает это, используя Кале.
7. Трубопроводы и участки:
Конвейеры используются для автоматизации выполнения рабочего процесса ML. Мы можем создать конвейер в разделе конвейеров и запланировать запуск для автоматического выполнения.
8. Повторяющиеся запуски:
Recurring Runs, поскольку название предполагает повторяющийся запуск конвейера. Он используется для получения нескольких результатов, поэтому с Tensorboards мы можем увидеть закономерность в результатах и принять обоснованное решение о том, что делать дальше.
9. Метрики
Метрика ведет журнал всех запросов API. Он также отображает график, поэтому отслеживание событий становится приятным и легким.
Arrikto абстрагирует базовую архитектуру, облегчая специалистам по обработке и анализу данных и машинному обучению возможность сосредоточиться на обучении, тестировании и обслуживании моделей. Arrikto также позволяет пользователям бесплатно использовать kubeflow. Пользователям предоставляется 7-дневный бесплатный пробный период.
Ссылки:
