最近Google宣布Cloud AI平台管道以简化机器学习开辟这个话题，相信很多小伙伴都是非常有兴趣了解的吧，一段好的故事可以给读者带来很多值得深思的新东西，甚至还可以在一定程度上让读者的视野在瞬间扩大，那么既然现在大家都想要知道此类的信息，今日小编将给带来关于Google宣布Cloud AI平台管道以简化机器学习开辟的资讯！
Google在最近的博客文章中宣布了Cloud AI Platform Pipelines的beta版本，该版本为用户提供了一种部署茁壮，可重复的机器学习管道以及监视，审核，版本跟踪和可再现性的方法。
借助Cloud AI Pipelines，Google可以帮助组织采纳机器学习操作的实践，也称为MLOps –应用DevOps实践的术语，以帮助用户自动化，治理和审核ML工作流。通常，这些做法涉及数据准备和分析，培训，评估，部署等。
使用Cloud AI Platform Pipelines，用户可以使用Kubeflow Pipelines(KFP)软件开辟工具包(SDK)或通过使用TFX SDK 自定义TensorFlow Extended(TFX) Pipeline模板来指定管道。后者当前由库，组件和一些二进制文件组成，并且开辟人员应为手头的任务选择正确的抽象级别。此外，TFX SDK包括一个库 ML元数据(MLMD)，用于记录和检索与工作流程相关的元数据。该库也可以独立运行。
Google建议将KPF SDK用于完全自定义的管道或使用预建KFP组件的管道，并针对基于TensorFlow的E2E ML管道使用TFX SDK及其模板。请注意，随着时间的流逝，Google在博客文章中指出这两种SDK体验将会融合。最后，SDK将编译管道并将其提交给Pipelines REST API。AI Pipelines REST API服务器存储并调度执行管道。
对Kubernetes编排并行作业的开放源码容器天然工作流引擎称为Argo的运行管道，其包括附加到微服务记录的元数据，手柄组件IO，和时间表管道运行。Argo工作流引擎在GKE集群中的各个独立Pod上执行每个管道，从而使每个管道组件都能利用Google Cloud服务，例如Dataflow，AI Platform Training and Prediction，BigQuery等。此外，管线可以包含在集群中执行可观的GPU和TPU计算的步骤，直接利用自动缩放和节点自动配置等功能。
AI Platform Pipeline运行包括使用MLMD的自动元数据跟踪-并记录在每个管道步骤中使用的工件，管道参数以及跨输入/输出工件的链接，以及创建和使用它们的管道步骤。