គម្រោង Open Data Hub គឺជាវេទិការៀនម៉ាស៊ីនបើកចំហដោយផ្អែកលើ Red Hat OpenShift

អនាគតបានមកដល់ហើយ បច្ចេកវិទ្យាឆ្លាតវៃសិប្បនិម្មិត និងម៉ាស៊ីនរៀនកំពុងត្រូវបានប្រើប្រាស់ដោយជោគជ័យដោយហាងដែលអ្នកចូលចិត្ត ក្រុមហ៊ុនដឹកជញ្ជូន និងសូម្បីតែកសិដ្ឋានតួកគី។

ហើយប្រសិនបើមានអ្វីមួយ នោះមានអ្វីមួយរួចហើយនៅលើអ៊ីនធឺណិត... គម្រោងបើកចំហ! សូមមើលពីរបៀបដែល Open Data Hub ជួយអ្នកក្នុងទំហំបច្ចេកវិទ្យាថ្មីៗ និងជៀសវាងបញ្ហាប្រឈមក្នុងការអនុវត្ត។

ជាមួយនឹងគុណសម្បត្តិទាំងអស់នៃបញ្ញាសិប្បនិមិត្ត (AI) និងការរៀនម៉ាស៊ីន (ML) ស្ថាប័ននានាតែងតែមានការពិបាកក្នុងការធ្វើមាត្រដ្ឋានបច្ចេកវិទ្យាទាំងនេះ។ បញ្ហាចម្បងក្នុងករណីនេះជាធម្មតាមានដូចខាងក្រោម:

• ការផ្លាស់ប្តូរព័ត៌មាន និងកិច្ចសហប្រតិបត្តិការ - វាស្ទើរតែមិនអាចទៅរួចទេក្នុងការផ្លាស់ប្តូរព័ត៌មានដោយខំប្រឹងប្រែង និងសហការក្នុងការបន្តរហ័ស។
• ការចូលប្រើទិន្នន័យ - សម្រាប់កិច្ចការនីមួយៗ ចាំបាច់ត្រូវបង្កើតថ្មី និងដោយដៃ ដែលត្រូវការពេលវេលាច្រើន។
• ការចូលប្រើតាមតម្រូវការ - មិនមានវិធីដើម្បីទទួលបានការចូលប្រើតាមតម្រូវការទៅកាន់ឧបករណ៍ និងវេទិការរៀនម៉ាស៊ីន ក៏ដូចជាហេដ្ឋារចនាសម្ព័ន្ធកុំព្យូទ័រ។
• ផលិតផល - ម៉ូដែលនៅតែស្ថិតក្នុងដំណាក់កាលគំរូ ហើយមិនត្រូវបាននាំយកទៅប្រើប្រាស់ក្នុងឧស្សាហកម្មទេ។
• តាមដាន និងពន្យល់លទ្ធផល AI - ការផលិតឡើងវិញ ការតាមដាន និងការពន្យល់អំពីលទ្ធផល AI/ML គឺពិបាកណាស់។

ដោយមិនបានដោះស្រាយ បញ្ហាទាំងនេះប៉ះពាល់អវិជ្ជមានដល់ល្បឿន ប្រសិទ្ធភាព និងផលិតភាពរបស់អ្នកវិទ្យាសាស្ត្រទិន្នន័យដ៏មានតម្លៃ។ នេះនាំឱ្យមានការខកចិត្ត ការខកចិត្តក្នុងការងាររបស់ពួកគេ ហើយជាលទ្ធផល ការរំពឹងទុកអាជីវកម្មទាក់ទងនឹង AI/ML បាត់បង់។

ទំនួលខុសត្រូវក្នុងការដោះស្រាយបញ្ហាទាំងនេះគឺស្ថិតនៅលើអ្នកឯកទេសផ្នែកព័ត៌មានវិទ្យា ដែលត្រូវតែផ្តល់ឱ្យអ្នកវិភាគទិន្នន័យជាមួយ - នោះជាការត្រឹមត្រូវ អ្វីមួយដូចជាពពក។ លម្អិតបន្ថែមទៀត យើងត្រូវការវេទិកាដែលផ្តល់សេរីភាពក្នុងការជ្រើសរើស និងមានភាពងាយស្រួល ងាយស្រួលចូលប្រើ។ ក្នុងពេលជាមួយគ្នានេះ វាមានល្បឿនលឿន ងាយស្រួលកំណត់រចនាសម្ព័ន្ធឡើងវិញ ធ្វើមាត្រដ្ឋានតាមតម្រូវការ និងធន់នឹងការបរាជ័យ។ ការកសាងវេទិកាបែបនេះនៅលើបច្ចេកវិទ្យាប្រភពបើកចំហជួយជៀសវាងការចាក់សោរបស់អ្នកលក់ និងរក្សាអត្ថប្រយោជន៍ជាយុទ្ធសាស្រ្តរយៈពេលវែងទាក់ទងនឹងការគ្រប់គ្រងការចំណាយ។

កាលពីប៉ុន្មានឆ្នាំមុន អ្វីមួយដែលស្រដៀងគ្នាកំពុងកើតឡើងនៅក្នុងការអភិវឌ្ឍន៍កម្មវិធី ហើយនាំទៅដល់ការលេចចេញនូវសេវាកម្មមីក្រូ ពពកកូនកាត់ ស្វ័យប្រវត្តិកម្ម អាយធី និងដំណើរការរហ័សរហួន។ ដើម្បីទប់ទល់នឹងបញ្ហាទាំងអស់នេះ អ្នកជំនាញផ្នែកព័ត៌មានវិទ្យាបានងាកទៅរកកុងតឺន័រ Kubernetes និងពពកកូនកាត់បើកចំហ។

បទពិសោធន៍នេះឥឡូវនេះកំពុងត្រូវបានអនុវត្តដើម្បីឆ្លើយតបនឹងបញ្ហាប្រឈមរបស់អាល់។ នោះហើយជាមូលហេតុដែលអ្នកជំនាញផ្នែកព័ត៌មានវិទ្យាកំពុងបង្កើតវេទិកាដែលមានមូលដ្ឋានលើកុងតឺន័រ បើកដំណើរការបង្កើតសេវាកម្ម AI/ML ក្នុងដំណើរការរហ័សរហួន ពន្លឿនការបង្កើតថ្មី និងត្រូវបានបង្កើតឡើងដោយសម្លឹងឆ្ពោះទៅរកពពកកូនកាត់។

យើងនឹងចាប់ផ្តើមបង្កើតវេទិកាបែបនេះជាមួយ Red Hat OpenShift ដែលជាវេទិកា Kubernetes របស់យើងសម្រាប់ពពកកូនកាត់ ដែលមានប្រព័ន្ធអេកូឡូស៊ីដែលកំពុងរីកចម្រើនយ៉ាងឆាប់រហ័សនៃដំណោះស្រាយផ្នែករឹង និង ML (NVIDIA, H2O.ai, Starburst, PerceptiLabs ។ល។)។ អតិថិជនមួយចំនួនរបស់ Red Hat ដូចជា BMW Group, ExxonMobil និងអ្នកផ្សេងទៀតបានដាក់ពង្រាយ ML toolchains និងដំណើរការ DevOps រួចហើយនៅលើវេទិកា និងប្រព័ន្ធអេកូរបស់វា ដើម្បីនាំយកស្ថាបត្យកម្ម ML របស់ពួកគេទៅផលិត និងបង្កើនល្បឿនការងាររបស់អ្នកវិភាគទិន្នន័យ។

ហេតុផលមួយទៀតដែលយើងបើកដំណើរការគម្រោង Open Data Hub គឺដើម្បីបង្ហាញពីឧទាហរណ៍នៃស្ថាបត្យកម្មដោយផ្អែកលើគម្រោងកម្មវិធីប្រភពបើកចំហជាច្រើន និងបង្ហាញពីរបៀបអនុវត្តវដ្តជីវិតទាំងមូលនៃដំណោះស្រាយ ML ដោយផ្អែកលើវេទិកា OpenShift ។

បើកគម្រោងមជ្ឈមណ្ឌលទិន្នន័យ

នេះគឺជាគម្រោងប្រភពបើកចំហដែលត្រូវបានបង្កើតឡើងនៅក្នុងសហគមន៍អភិវឌ្ឍន៍ដែលត្រូវគ្នា ហើយអនុវត្តវដ្តពេញលេញនៃប្រតិបត្តិការ - ពីការផ្ទុក និងបំប្លែងទិន្នន័យដំបូងរហូតដល់ការបង្កើត បណ្តុះបណ្តាល និងថែទាំគំរូ - នៅពេលដោះស្រាយបញ្ហា AI/ML ដោយប្រើកុងតឺន័រ និង Kubernetes នៅលើ OpenShift វេទិកា។ គម្រោងនេះអាចត្រូវបានចាត់ទុកថាជាការអនុវត្តឯកសារយោង ដែលជាឧទាហរណ៍នៃវិធីបង្កើតដំណោះស្រាយ AI/ML-as-a-service បើកចំហដោយផ្អែកលើ OpenShift និងឧបករណ៍ប្រភពបើកចំហដែលពាក់ព័ន្ធដូចជា Tensorflow, JupyterHub, Spark និងផ្សេងៗទៀត។ វាជារឿងសំខាន់ក្នុងការកត់សម្គាល់ថា Red Hat ខ្លួនវាផ្ទាល់ប្រើប្រាស់គម្រោងនេះដើម្បីផ្តល់សេវាកម្ម AI/ML របស់ខ្លួន។ លើសពីនេះ OpenShift រួមបញ្ចូលជាមួយដំណោះស្រាយផ្នែកទន់ និងផ្នែករឹង ML សំខាន់ៗពី NVIDIA, Seldon, Starbust និងអ្នកលក់ផ្សេងទៀត ដែលធ្វើឱ្យវាកាន់តែងាយស្រួលក្នុងការបង្កើត និងដំណើរការប្រព័ន្ធរៀនម៉ាស៊ីនផ្ទាល់ខ្លួនរបស់អ្នក។

គម្រោង Open Data Hub គឺផ្តោតលើប្រភេទអ្នកប្រើប្រាស់ និងករណីប្រើប្រាស់ខាងក្រោម៖

• អ្នកវិភាគទិន្នន័យដែលត្រូវការដំណោះស្រាយសម្រាប់ការអនុវត្តគម្រោង ML ដែលត្រូវបានរៀបចំដូចជាពពកដែលមានមុខងារសេវាកម្មខ្លួនឯង។
• អ្នកវិភាគទិន្នន័យដែលត្រូវការជម្រើសអតិបរមាពីឧបករណ៍ និងវេទិកា AI/ML បើកចំហចុងក្រោយបំផុត។
• អ្នកវិភាគទិន្នន័យដែលត្រូវការចូលប្រើប្រភពទិន្នន័យនៅពេលបណ្តុះបណ្តាលគំរូ។
• អ្នកវិភាគទិន្នន័យដែលត្រូវការចូលប្រើធនធានកុំព្យូទ័រ (CPU, GPU, memory)។
• អ្នកវិភាគទិន្នន័យដែលទាមទារសមត្ថភាពក្នុងការសហការ និងចែករំលែកការងារជាមួយសហសេវិក ទទួលមតិកែលម្អ និងធ្វើឱ្យប្រសើរឡើងក្នុងការធ្វើឡើងវិញយ៉ាងឆាប់រហ័ស។
• អ្នកវិភាគទិន្នន័យដែលចង់ធ្វើអន្តរកម្មជាមួយអ្នកអភិវឌ្ឍន៍ (និងបង្កើតក្រុម) ដើម្បីឱ្យគំរូ ML និងលទ្ធផលការងាររបស់គាត់ចូលទៅក្នុងផលិតកម្ម។
• វិស្វករទិន្នន័យដែលត្រូវការផ្ដល់ឱ្យអ្នកវិភាគទិន្នន័យនូវការចូលប្រើប្រភពទិន្នន័យជាច្រើន ខណៈពេលដែលអនុលោមតាមតម្រូវការបទប្បញ្ញត្តិ និងសុវត្ថិភាព។
• អ្នកគ្រប់គ្រង/ប្រតិបត្តិករប្រព័ន្ធ IT ដែលទាមទារសមត្ថភាពក្នុងការគ្រប់គ្រងវដ្តជីវិត (ការដំឡើង ការកំណត់រចនាសម្ព័ន្ធ ធ្វើឱ្យប្រសើរឡើង) នៃសមាសភាគប្រភពបើកចំហ និងបច្ចេកវិទ្យា។ យើងក៏ត្រូវការឧបករណ៍គ្រប់គ្រង និងកូតាសមស្របផងដែរ។

គម្រោង Open Data Hub នាំមកនូវឧបករណ៍ប្រភពបើកចំហជាច្រើនបញ្ចូលគ្នា ដើម្បីអនុវត្តវដ្តពេញលេញនៃប្រតិបត្តិការ AI/ML ។ Jupyter Notebook ត្រូវបានប្រើនៅទីនេះជាឧបករណ៍ធ្វើការសំខាន់សម្រាប់ការវិភាគទិន្នន័យ។ កញ្ចប់ឧបករណ៍នេះមានប្រជាប្រិយភាពយ៉ាងទូលំទូលាយក្នុងចំណោមអ្នកវិទ្យាសាស្ត្រទិន្នន័យសព្វថ្ងៃនេះ ហើយ Open Data Hub អនុញ្ញាតឱ្យពួកគេបង្កើត និងគ្រប់គ្រងកន្លែងធ្វើការ Jupyter Notebook បានយ៉ាងងាយស្រួលដោយប្រើ JupyterHub ដែលភ្ជាប់មកជាមួយ។ បន្ថែមពីលើការបង្កើត និងនាំចូលសៀវភៅកត់ត្រា Jupyter គម្រោង Open Data Hub ក៏មានសៀវភៅកត់ត្រាដែលត្រៀមរួចជាស្រេចជាច្រើនក្នុងទម្រង់ជាបណ្ណាល័យ AI ផងដែរ។

បណ្ណាល័យនេះគឺជាការប្រមូលផ្ដុំនៃសមាសភាគការរៀនម៉ាស៊ីនប្រភពបើកចំហ និងដំណោះស្រាយសម្រាប់សេណារីយ៉ូទូទៅ ដែលជួយសម្រួលដល់ការធ្វើគំរូយ៉ាងឆាប់រហ័ស។ JupyterHub ត្រូវបានរួមបញ្ចូលជាមួយគំរូចូលប្រើ RBAC របស់ OpenShift ដែលអនុញ្ញាតឱ្យអ្នកប្រើគណនី OpenShift ដែលមានស្រាប់ និងអនុវត្តការចូលតែមួយ។ លើសពីនេះទៀត JupyterHub ផ្តល់នូវចំណុចប្រទាក់អ្នកប្រើដែលងាយស្រួលប្រើហៅថា spawner ដែលតាមរយៈនោះអ្នកប្រើប្រាស់អាចកំណត់រចនាសម្ព័ន្ធបរិមាណនៃធនធានកុំព្យូទ័របានយ៉ាងងាយស្រួល (CPU cores, memory, GPU) សម្រាប់ Jupyter Notebook ដែលបានជ្រើសរើស។

បន្ទាប់ពីអ្នកវិភាគទិន្នន័យបង្កើត និងកំណត់រចនាសម្ព័ន្ធកុំព្យូទ័រយួរដៃ កង្វល់ផ្សេងទៀតទាំងអស់អំពីវាត្រូវបានយកចិត្តទុកដាក់ដោយកម្មវិធីកំណត់ពេលវេលា Kubernetes ដែលជាផ្នែកមួយនៃ OpenShift ។ អ្នកប្រើប្រាស់អាចអនុវត្តការពិសោធន៍របស់ពួកគេ រក្សាទុក និងចែករំលែកលទ្ធផលនៃការងាររបស់ពួកគេ។ លើសពីនេះទៀត អ្នកប្រើប្រាស់កម្រិតខ្ពស់អាចចូលប្រើសែល OpenShift CLI ដោយផ្ទាល់ពីសៀវភៅកត់ត្រា Jupyter ដើម្បីប្រើប្រាស់មុខងារ Kubernetes primitives ដូចជាមុខងារ Job ឬ OpenShift ដូចជា Tekton ឬ Knative ។ ឬសម្រាប់វាអ្នកអាចប្រើ GUI ងាយស្រួលរបស់ OpenShift ដែលត្រូវបានគេហៅថា "កុងសូលបណ្តាញ OpenShift" ។

បន្តទៅដំណាក់កាលបន្ទាប់ Open Data Hub ធ្វើឱ្យវាអាចគ្រប់គ្រងបំពង់បង្ហូរទិន្នន័យបាន។ ចំពោះបញ្ហានេះ វត្ថុ Ceph ត្រូវបានប្រើ ដែលត្រូវបានផ្តល់ជាកន្លែងផ្ទុកទិន្នន័យវត្ថុដែលត្រូវគ្នានឹង S3 ។ Apache Spark ផ្តល់នូវការស្ទ្រីមទិន្នន័យពីប្រភពខាងក្រៅ ឬឧបករណ៍ផ្ទុក Ceph S3 ដែលភ្ជាប់មកជាមួយ ហើយក៏អាចឱ្យអ្នកធ្វើការបំប្លែងទិន្នន័យបឋមផងដែរ។ Apache Kafka ផ្តល់នូវការគ្រប់គ្រងកម្រិតខ្ពស់នៃបំពង់បង្ហូរទិន្នន័យ (ដែលទិន្នន័យអាចត្រូវបានផ្ទុកច្រើនដង ក៏ដូចជាការផ្លាស់ប្តូរទិន្នន័យ ការវិភាគ និងប្រតិបត្តិការបន្ត)។

ដូច្នេះ អ្នកវិភាគទិន្នន័យបានចូលប្រើទិន្នន័យ និងបង្កើតគំរូមួយ។ ឥឡូវនេះគាត់មានបំណងចែករំលែកលទ្ធផលដែលទទួលបានជាមួយសហការី ឬអ្នកបង្កើតកម្មវិធី ហើយផ្តល់ឱ្យពួកគេនូវគំរូរបស់គាត់លើគោលការណ៍នៃសេវាកម្មមួយ។ វាទាមទារម៉ាស៊ីនមេសន្និដ្ឋាន ហើយ Open Data Hub មានម៉ាស៊ីនមេបែបនេះ វាត្រូវបានគេហៅថា Seldon និងអនុញ្ញាតឱ្យអ្នកបោះពុម្ពគំរូជាសេវាកម្ម RESTful ។

នៅចំណុចខ្លះ មានម៉ូដែលបែបនេះជាច្រើននៅលើម៉ាស៊ីនមេ Seldon ហើយចាំបាច់ត្រូវត្រួតពិនិត្យពីរបៀបដែលពួកវាត្រូវបានប្រើប្រាស់។ ដើម្បីសម្រេចបាននូវចំណុចនេះ Open Data Hub ផ្តល់នូវបណ្តុំនៃរង្វាស់ដែលពាក់ព័ន្ធ និងម៉ាស៊ីនរាយការណ៍ដោយផ្អែកលើឧបករណ៍ត្រួតពិនិត្យប្រភពបើកចំហដែលត្រូវបានប្រើប្រាស់យ៉ាងទូលំទូលាយ Prometheus និង Grafana ។ ជាលទ្ធផល យើងទទួលបានមតិកែលម្អដើម្បីតាមដានការប្រើប្រាស់គំរូ AI ជាពិសេសនៅក្នុងបរិយាកាសផលិតកម្ម។

នៅក្នុងវិធីនេះ Open Data Hub ផ្តល់នូវវិធីសាស្រ្តដូចពពកពេញមួយវដ្តជីវិត AI/ML ទាំងមូល ចាប់ពីការចូលប្រើទិន្នន័យ និងការរៀបចំរហូតដល់ការបណ្តុះបណ្តាល និងការផលិតគំរូ។

ដាក់វាទាំងអស់គ្នា

ឥឡូវនេះសំណួរកើតឡើងអំពីរបៀបរៀបចំទាំងអស់នេះសម្រាប់អ្នកគ្រប់គ្រង OpenShift ។ ហើយនេះគឺជាកន្លែងដែលប្រតិបត្តិករ Kubernetes ពិសេសសម្រាប់គម្រោង Open Data Hub ចូលមកលេង។

ប្រតិបត្តិករនេះគ្រប់គ្រងការដំឡើង ការកំណត់រចនាសម្ព័ន្ធ និងវដ្តជីវិតនៃគម្រោង Open Data Hub រួមទាំងការដាក់ឱ្យប្រើប្រាស់ឧបករណ៍ដែលបានរៀបរាប់ខាងលើដូចជា JupyterHub, Ceph, Spark, Kafka, Seldon, Prometheus និង Grafana ។ គម្រោង Open Data Hub អាចត្រូវបានរកឃើញនៅក្នុងកុងសូលបណ្តាញ OpenShift នៅក្នុងផ្នែកប្រតិបត្តិករសហគមន៍។ ដូច្នេះ អ្នកគ្រប់គ្រង OpenShift អាចបញ្ជាក់បានថាគម្រោង OpenShift ដែលត្រូវគ្នាត្រូវបានចាត់ថ្នាក់ជា "គម្រោង Open Data Hub"។ នេះត្រូវបានធ្វើម្តង។ បន្ទាប់ពីនេះ អ្នកវិភាគទិន្នន័យចូលទៅក្នុងចន្លោះគម្រោងរបស់គាត់តាមរយៈកុងសូលបណ្តាញ OpenShift ហើយឃើញថាប្រតិបត្តិករ Kubernetes ដែលត្រូវគ្នាត្រូវបានដំឡើង និងអាចរកបានសម្រាប់គម្រោងរបស់គាត់។ បន្ទាប់មកគាត់បង្កើតគម្រោង Open Data Hub ដោយចុចតែម្តង ហើយភ្លាមៗនោះមានសិទ្ធិចូលប្រើឧបករណ៍ដែលបានពិពណ៌នាខាងលើ។ ហើយអ្វីៗទាំងអស់នេះអាចត្រូវបានកំណត់រចនាសម្ព័ន្ធនៅក្នុងរបៀបភាពអាចរកបានខ្ពស់ និងរបៀបអត់ធ្មត់។

ប្រសិនបើអ្នកចង់សាកល្បងគម្រោង Open Data Hub សម្រាប់ខ្លួនអ្នក សូមចាប់ផ្តើមជាមួយ ការណែនាំអំពីការដំឡើង និងការបង្រៀនណែនាំ. ព័ត៌មានលម្អិតបច្ចេកទេសនៃស្ថាបត្យកម្ម Open Data Hub អាចរកបាន នៅទីនេះ, ផែនការអភិវឌ្ឍន៍គម្រោង នៅទីនេះ. នៅពេលអនាគត យើងមានគម្រោងអនុវត្តការរួមបញ្ចូលបន្ថែមជាមួយ Kubeflow ដោះស្រាយបញ្ហាមួយចំនួនជាមួយនឹងបទប្បញ្ញត្តិទិន្នន័យ និងសុវត្ថិភាព ព្រមទាំងរៀបចំការរួមបញ្ចូលជាមួយប្រព័ន្ធផ្អែកលើច្បាប់ Drools និង Optaplanner ផងដែរ។ បញ្ចេញមតិរបស់អ្នក ហើយក្លាយជាអ្នកចូលរួមក្នុងគម្រោង បើកមជ្ឈមណ្ឌលទិន្នន័យ អាចធ្វើទៅបាននៅលើទំព័រ សហគមន៍.

ដើម្បីសង្ខេប៖ បញ្ហាប្រឈមនៃការធ្វើមាត្រដ្ឋានធ្ងន់ធ្ងរកំពុងរារាំងអង្គការនានាពីការសម្រេចបាននូវសក្តានុពលពេញលេញនៃបញ្ញាសិប្បនិម្មិត និងការរៀនម៉ាស៊ីន។ Red Hat OpenShift ត្រូវបានប្រើប្រាស់ដោយជោគជ័យជាយូរមកហើយដើម្បីដោះស្រាយបញ្ហាស្រដៀងគ្នានៅក្នុងឧស្សាហកម្មកម្មវិធី។ គម្រោង Open Data Hub ដែលត្រូវបានអនុវត្តនៅក្នុងសហគមន៍អភិវឌ្ឍន៍ប្រភពបើកចំហ ផ្តល់នូវស្ថាបត្យកម្មយោងសម្រាប់ការរៀបចំវដ្តពេញលេញនៃប្រតិបត្តិការ AI/ML ដោយផ្អែកលើ OpenShift hybrid cloud។ យើងមានផែនការច្បាស់លាស់ និងគិតគូរសម្រាប់ការអភិវឌ្ឍន៍គម្រោងនេះ ហើយយើងយកចិត្តទុកដាក់យ៉ាងខ្លាំងចំពោះការបង្កើតសហគមន៍សកម្ម និងប្រកបដោយផ្លែផ្កានៅជុំវិញវាសម្រាប់ការអភិវឌ្ឍដំណោះស្រាយ AI បើកចំហនៅលើវេទិកា OpenShift ។

ប្រភព: www.habr.com