ໂຄງການ Open Data Hub ແມ່ນເວທີການຮຽນຮູ້ເຄື່ອງຈັກແບບເປີດໂດຍອີງໃສ່ Red Hat OpenShift

ອະນາຄົດມາຮອດແລ້ວ, ແລະເທັກໂນໂລຍີປັນຍາປະດິດ ແລະການຮຽນຮູ້ເຄື່ອງຈັກກຳລັງຖືກນຳໃຊ້ຢ່າງສຳເລັດຜົນໂດຍຮ້ານຄ້າທີ່ທ່ານມັກ, ບໍລິສັດຂົນສົ່ງ ແລະແມ້ກະທັ້ງຟາມໄກ່ງວງ.

ແລະຖ້າຫາກວ່າບາງສິ່ງບາງຢ່າງມີ, ຫຼັງຈາກນັ້ນມີບາງສິ່ງບາງຢ່າງກ່ຽວກັບມັນຢູ່ໃນອິນເຕີເນັດ ... ໂຄງການເປີດ! ເບິ່ງວ່າ Open Data Hub ຊ່ວຍໃຫ້ທ່ານຂະຫຍາຍເທັກໂນໂລຢີໃໝ່ແນວໃດ ແລະຫຼີກເວັ້ນສິ່ງທ້າທາຍໃນການປະຕິບັດ.

ດ້ວຍຂໍ້ໄດ້ປຽບທັງຫມົດຂອງປັນຍາປະດິດ (AI) ແລະການຮຽນຮູ້ເຄື່ອງຈັກ (ML), ອົງການຈັດຕັ້ງມັກຈະມີຄວາມຫຍຸ້ງຍາກໃນການຂະຫຍາຍເຕັກໂນໂລຢີເຫຼົ່ານີ້. ບັນຫາຕົ້ນຕໍໃນກໍລະນີນີ້ແມ່ນປົກກະຕິແລ້ວດັ່ງຕໍ່ໄປນີ້:

• ການແລກປ່ຽນຂໍ້ມູນຂ່າວສານ ແລະການຮ່ວມມື – ມັນ​ເກືອບ​ເປັນ​ໄປ​ບໍ່​ໄດ້​ທີ່​ຈະ​ແລກ​ປ່ຽນ​ຂໍ້​ມູນ​ຢ່າງ​ງ່າຍ​ດາຍ​ແລະ​ການ​ຮ່ວມ​ມື​ໃນ​ການ​ເຮັດ​ວຽກ​ຢ່າງ​ວ່ອງ​ໄວ​.
• ການເຂົ້າເຖິງຂໍ້ມູນ - ສໍາລັບແຕ່ລະວຽກງານມັນຈໍາເປັນຕ້ອງສ້າງໃຫມ່ແລະດ້ວຍຕົນເອງ, ເຊິ່ງໃຊ້ເວລາຫຼາຍ.
• ເຂົ້າເຖິງຕາມຄວາມຕ້ອງການ – ບໍ່ມີທາງທີ່ຈະເຂົ້າເຖິງເຄື່ອງມືການຮຽນຮູ້ເຄື່ອງຈັກ ແລະແພລດຟອມຕາມຄວາມຕ້ອງການ, ເຊັ່ນດຽວກັນກັບໂຄງສ້າງພື້ນຖານຂອງຄອມພິວເຕີ.
• ການຜະລິດ – ແບບຈໍາລອງຍັງຢູ່ໃນຂັ້ນຕອນຕົ້ນແບບ ແລະບໍ່ໄດ້ນໍາໄປໃຊ້ໃນອຸດສາຫະກໍາ.
• ຕິດຕາມແລະອະທິບາຍຜົນໄດ້ຮັບ AI - ການສືບພັນ, ການຕິດຕາມ ແລະ ການອະທິບາຍຜົນຂອງ AI/ML ແມ່ນຍາກ.

ປະໄວ້ໂດຍບໍ່ໄດ້ຮັບການແກ້ໄຂ, ບັນຫາເຫຼົ່ານີ້ສົ່ງຜົນກະທົບທາງລົບຕໍ່ຄວາມໄວ, ປະສິດທິພາບ, ແລະຜົນຜະລິດຂອງນັກວິທະຍາສາດຂໍ້ມູນທີ່ມີຄຸນຄ່າ. ນີ້ເຮັດໃຫ້ຄວາມອຸກອັ່ງ, ຄວາມຜິດຫວັງໃນການເຮັດວຽກຂອງພວກເຂົາ, ແລະດັ່ງນັ້ນ, ຄວາມຄາດຫວັງຂອງທຸລະກິດກ່ຽວກັບ AI / ML ສູນເສຍໄປ.

ຄວາມຮັບຜິດຊອບສໍາລັບການແກ້ໄຂບັນຫາເຫຼົ່ານີ້ຕົກຢູ່ໃນຜູ້ຊ່ຽວຊານດ້ານໄອທີ, ຜູ້ທີ່ຕ້ອງໃຫ້ນັກວິເຄາະຂໍ້ມູນ - ນັ້ນແມ່ນ, ບາງສິ່ງບາງຢ່າງເຊັ່ນ: ຟັງ. ໃນລາຍລະອຽດເພີ່ມເຕີມ, ພວກເຮົາຕ້ອງການເວທີທີ່ໃຫ້ສິດເສລີພາບໃນການເລືອກແລະມີຄວາມສະດວກ, ເຂົ້າເຖິງໄດ້ງ່າຍ. ໃນເວລາດຽວກັນ, ມັນແມ່ນໄວ, ງ່າຍດາຍ reconfigurable, scalable ຕາມຄວາມຕ້ອງການແລະທົນທານຕໍ່ກັບຄວາມລົ້ມເຫຼວ. ການກໍ່ສ້າງເວທີດັ່ງກ່າວໃນເຕັກໂນໂລຢີແຫຼ່ງເປີດຊ່ວຍຫຼີກເວັ້ນການລັອກໃນຜູ້ຂາຍແລະຮັກສາຄວາມໄດ້ປຽບຍຸດທະສາດໃນໄລຍະຍາວໃນການຄວບຄຸມຄ່າໃຊ້ຈ່າຍ.

ສອງສາມປີກ່ອນ, ບາງສິ່ງບາງຢ່າງທີ່ຄ້າຍຄືກັນໄດ້ເກີດຂຶ້ນໃນການພັດທະນາຄໍາຮ້ອງສະຫມັກແລະນໍາໄປສູ່ການເກີດໃຫມ່ຂອງ microservices, ຟັງປະສົມ, ອັດຕະໂນມັດ IT, ແລະຂະບວນການວ່ອງໄວ. ເພື່ອຮັບມືກັບສິ່ງທັງຫມົດນີ້, ຜູ້ຊ່ຽວຊານດ້ານໄອທີໄດ້ຫັນໄປຫາຕູ້ຄອນເທນເນີ, Kubernetes ແລະຄລາວປະສົມທີ່ເປີດ.

ປະ​ສົບ​ການ​ນີ້​ໃນ​ປັດ​ຈຸ​ບັນ​ໄດ້​ຖືກ​ນໍາ​ໃຊ້​ເພື່ອ​ຕອບ​ສະ​ຫນອງ​ການ​ທ້າ​ທາຍ Al​. ນັ້ນແມ່ນເຫດຜົນທີ່ຜູ້ຊ່ຽວຊານດ້ານໄອທີກໍາລັງສ້າງແພລະຕະຟອມທີ່ອີງໃສ່ຕູ້ຄອນເທນເນີ, ເຮັດໃຫ້ການສ້າງການບໍລິການ AI / ML ພາຍໃນຂະບວນການທີ່ວ່ອງໄວ, ເລັ່ງການປະດິດສ້າງ, ແລະຖືກສ້າງຂື້ນດ້ວຍຕາໄປສູ່ຄລາວປະສົມ.

ພວກເຮົາຈະເລີ່ມສ້າງເວທີດັ່ງກ່າວດ້ວຍ Red Hat OpenShift, ແພລດຟອມ Kubernetes ທີ່ບັນຈຸຂອງພວກເຮົາສໍາລັບຄລາວປະສົມ, ເຊິ່ງມີລະບົບນິເວດຂອງຊອບແວ ແລະຮາດແວ ML ທີ່ມີການຂະຫຍາຍຕົວຢ່າງໄວວາ (NVIDIA, H2O.ai, Starburst, PerceptiLabs, ແລະອື່ນໆ). ລູກຄ້າບາງຄົນຂອງ Red Hat, ເຊັ່ນ BMW Group, ExxonMobil ແລະອື່ນໆ, ໄດ້ນໍາໄປໃຊ້ລະບົບຕ່ອງໂສ້ເຄື່ອງມື ML ແລະຂະບວນການ DevOps ທີ່ບັນຈຸຢູ່ດ້ານເທິງຂອງເວທີແລະລະບົບນິເວດຂອງມັນເພື່ອນໍາເອົາສະຖາປັດຕະຍະກໍາ ML ຂອງພວກເຂົາໄປສູ່ການຜະລິດແລະເລັ່ງການເຮັດວຽກຂອງນັກວິເຄາະຂໍ້ມູນ.

ເຫດຜົນອີກອັນຫນຶ່ງທີ່ພວກເຮົາເປີດຕົວໂຄງການ Open Data Hub ແມ່ນເພື່ອສະແດງໃຫ້ເຫັນຕົວຢ່າງຂອງສະຖາປັດຕະຍະກໍາໂດຍອີງໃສ່ໂຄງການຊອບແວແຫຼ່ງເປີດຫຼາຍແລະສະແດງວິທີການປະຕິບັດວົງຈອນຊີວິດທັງຫມົດຂອງການແກ້ໄຂ ML ໂດຍອີງໃສ່ແພລະຕະຟອມ OpenShift.

ເປີດໂຄງການ Data Hub

ນີ້ແມ່ນໂຄງການແຫຼ່ງເປີດທີ່ພັດທະນາພາຍໃນຊຸມຊົນການພັດທະນາທີ່ສອດຄ້ອງກັນແລະປະຕິບັດຮອບວຽນເຕັມຂອງການດໍາເນີນງານ - ຈາກການໂຫຼດແລະປ່ຽນຂໍ້ມູນເບື້ອງຕົ້ນໄປສູ່ການສ້າງ, ການຝຶກອົບຮົມແລະການຮັກສາແບບຈໍາລອງ - ເມື່ອແກ້ໄຂບັນຫາ AI / ML ໂດຍໃຊ້ containers ແລະ Kubernetes ໃນ OpenShift ເວທີ. ໂຄງການນີ້ສາມາດຖືກພິຈາລະນາການປະຕິບັດການອ້າງອິງ, ຕົວຢ່າງຂອງວິທີການສ້າງການແກ້ໄຂ AI / ML-as-a-service ແບບເປີດໂດຍອີງໃສ່ OpenShift ແລະເຄື່ອງມືແຫຼ່ງເປີດທີ່ກ່ຽວຂ້ອງເຊັ່ນ Tensorflow, JupyterHub, Spark ແລະອື່ນໆ. ມັນເປັນສິ່ງສໍາຄັນທີ່ຈະສັງເກດວ່າ Red Hat ຕົວຂອງມັນເອງໃຊ້ໂຄງການນີ້ເພື່ອສະຫນອງການບໍລິການ AI/ML ຂອງມັນ. ນອກຈາກນັ້ນ, OpenShift ປະສົມປະສານກັບຊອບແວທີ່ສໍາຄັນແລະວິທີແກ້ໄຂ ML ຮາດແວຈາກ NVIDIA, Seldon, Starbust ແລະຜູ້ຂາຍອື່ນໆ, ເຮັດໃຫ້ມັນງ່າຍຂຶ້ນໃນການກໍ່ສ້າງແລະດໍາເນີນການລະບົບການຮຽນຮູ້ເຄື່ອງຈັກຂອງທ່ານເອງ.

ໂຄງການ Open Data Hub ແມ່ນເນັ້ນໃສ່ປະເພດຜູ້ໃຊ້ ແລະກໍລະນີການນຳໃຊ້ຕໍ່ໄປນີ້:

• ນັກວິເຄາະຂໍ້ມູນທີ່ຕ້ອງການການແກ້ໄຂສໍາລັບການປະຕິບັດໂຄງການ ML, ຈັດຕັ້ງຄືກັບຄລາວທີ່ມີຫນ້າທີ່ໃຫ້ບໍລິການຕົນເອງ.
• ນັກວິເຄາະຂໍ້ມູນທີ່ຕ້ອງການທາງເລືອກສູງສຸດຈາກເຄື່ອງມື ແລະແພລດຟອມ AI/ML ຫຼ້າສຸດ.
• ນັກວິເຄາະຂໍ້ມູນທີ່ຕ້ອງການເຂົ້າເຖິງແຫຼ່ງຂໍ້ມູນໃນເວລາທີ່ຮູບແບບການຝຶກອົບຮົມ.
• ນັກວິເຄາະຂໍ້ມູນທີ່ຕ້ອງການເຂົ້າເຖິງຊັບພະຍາກອນຄອມພິວເຕີ (CPU, GPU, ຫນ່ວຍຄວາມຈໍາ).
• ນັກວິເຄາະຂໍ້ມູນທີ່ຕ້ອງການຄວາມສາມາດໃນການຮ່ວມມືແລະແບ່ງປັນວຽກກັບເພື່ອນຮ່ວມງານ, ຮັບຄໍາຕິຊົມ, ແລະປັບປຸງການຊໍ້າຄືນຢ່າງໄວວາ.
• ນັກວິເຄາະຂໍ້ມູນທີ່ຕ້ອງການພົວພັນກັບນັກພັດທະນາ (ແລະທີມງານ devops) ເພື່ອໃຫ້ຕົວແບບ ML ແລະຜົນການເຮັດວຽກຂອງລາວເຂົ້າໄປໃນການຜະລິດ.
• ວິສະວະກອນຂໍ້ມູນທີ່ຕ້ອງການໃຫ້ນັກວິເຄາະຂໍ້ມູນສາມາດເຂົ້າເຖິງແຫຼ່ງຂໍ້ມູນທີ່ຫຼາກຫຼາຍໃນຂະນະທີ່ປະຕິບັດຕາມຂໍ້ກໍານົດດ້ານກົດລະບຽບແລະຄວາມປອດໄພ.
• ຜູ້ບໍລິຫານລະບົບ IT ທີ່ຮຽກຮ້ອງໃຫ້ມີຄວາມສາມາດໃນການຄວບຄຸມວົງຈອນຊີວິດ (ການຕິດຕັ້ງ, ການຕັ້ງຄ່າ, ຍົກລະດັບ) ຂອງອົງປະກອບແລະເຕັກໂນໂລຢີຂອງແຫຼ່ງເປີດ. ພວກເຮົາຍັງຕ້ອງການເຄື່ອງມືການຄຸ້ມຄອງ ແລະໂຄຕ້າທີ່ເຫມາະສົມ.

ໂຄງການ Open Data Hub ນໍາເອົາເຄື່ອງມືແຫຼ່ງເປີດຫຼາກຫຼາຍມາຮ່ວມກັນເພື່ອປະຕິບັດຮອບວຽນອັນເຕັມທີ່ຂອງການດໍາເນີນງານ AI/ML. Jupyter Notebook ຖືກນໍາໃຊ້ຢູ່ທີ່ນີ້ເປັນເຄື່ອງມືການເຮັດວຽກຕົ້ນຕໍສໍາລັບການວິເຄາະຂໍ້ມູນ. ຊຸດເຄື່ອງມືເປັນທີ່ນິຍົມກັນຢ່າງກວ້າງຂວາງໃນບັນດານັກວິທະຍາສາດຂໍ້ມູນໃນມື້ນີ້, ແລະ Open Data Hub ຊ່ວຍໃຫ້ພວກເຂົາສາມາດສ້າງ ແລະຈັດການພື້ນທີ່ເຮັດວຽກຂອງ Jupyter Notebook ໄດ້ຢ່າງງ່າຍດາຍໂດຍໃຊ້ JupyterHub ທີ່ມີໃນຕົວ. ນອກເຫນືອຈາກການສ້າງແລະນໍາເຂົ້າປື້ມບັນທຶກ Jupyter, ໂຄງການ Open Data Hub ຍັງມີປື້ມບັນທຶກທີ່ກຽມພ້ອມຈໍານວນຫນຶ່ງໃນຮູບແບບຂອງ AI Library.

ຫ້ອງສະໝຸດນີ້ແມ່ນບ່ອນເກັບມ້ຽນຂອງອົງປະກອບການຮຽນຮູ້ເຄື່ອງເປີດແຫຼ່ງ ແລະວິທີແກ້ໄຂສຳລັບສະຖານະການທົ່ວໄປທີ່ຊ່ວຍເຮັດໃຫ້ການສ້າງຕົວແບບຢ່າງໄວໄດ້ງ່າຍຂຶ້ນ. JupyterHub ຖືກລວມເຂົ້າກັບຮູບແບບການເຂົ້າເຖິງ RBAC ຂອງ OpenShift, ເຊິ່ງອະນຸຍາດໃຫ້ທ່ານໃຊ້ບັນຊີ OpenShift ທີ່ມີຢູ່ແລ້ວແລະປະຕິບັດການເຂົ້າສູ່ລະບົບດຽວ. ນອກຈາກນັ້ນ, JupyterHub ສະຫນອງການໂຕ້ຕອບຜູ້ໃຊ້ທີ່ເປັນມິດກັບຜູ້ໃຊ້ທີ່ເອີ້ນວ່າ spawner, ໂດຍຜ່ານທີ່ຜູ້ໃຊ້ສາມາດຕັ້ງຄ່າໄດ້ຢ່າງງ່າຍດາຍຂອງຊັບພະຍາກອນຄອມພິວເຕີ້ (CPU cores, memory, GPU) ສໍາລັບ Jupyter Notebook ທີ່ເລືອກ.

ຫຼັງຈາກນັກວິເຄາະຂໍ້ມູນສ້າງ ແລະຕັ້ງຄ່າແລັບທັອບ, ຄວາມກັງວົນອື່ນໆທັງໝົດກ່ຽວກັບມັນໄດ້ຖືກເບິ່ງແຍງໂດຍຕົວຕັ້ງເວລາ Kubernetes, ເຊິ່ງເປັນສ່ວນຫນຶ່ງຂອງ OpenShift. ຜູ້ໃຊ້ພຽງແຕ່ສາມາດປະຕິບັດການທົດລອງຂອງເຂົາເຈົ້າ, ບັນທຶກແລະແບ່ງປັນຜົນໄດ້ຮັບຂອງການເຮັດວຽກຂອງເຂົາເຈົ້າ. ນອກຈາກນັ້ນ, ຜູ້ໃຊ້ຂັ້ນສູງສາມາດເຂົ້າເຖິງ OpenShift CLI shell ໂດຍກົງຈາກປື້ມບັນທຶກ Jupyter ເພື່ອໃຊ້ປະໂຫຍດຈາກ Kubernetes primitives ເຊັ່ນການເຮັດວຽກຫຼື OpenShift ເຊັ່ນ Tekton ຫຼື Knative. ຫຼືສໍາລັບການນີ້ທ່ານສາມາດນໍາໃຊ້ GUI ທີ່ສະດວກຂອງ OpenShift, ເຊິ່ງເອີ້ນວ່າ "OpenShift web console".

ການກ້າວໄປສູ່ຂັ້ນຕອນຕໍ່ໄປ, Open Data Hub ເຮັດໃຫ້ມັນເປັນໄປໄດ້ທີ່ຈະຈັດການທໍ່ຂໍ້ມູນ. ສໍາລັບການນີ້, ວັດຖຸ Ceph ຖືກນໍາໃຊ້, ເຊິ່ງສະຫນອງໃຫ້ເປັນການເກັບຮັກສາຂໍ້ມູນວັດຖຸທີ່ເຂົ້າກັນໄດ້ S3. Apache Spark ສະຫນອງການຖ່າຍທອດຂໍ້ມູນຈາກແຫຼ່ງພາຍນອກຫຼືການເກັບຮັກສາ Ceph S3 ທີ່ມີໃນຕົວ, ແລະຍັງຊ່ວຍໃຫ້ທ່ານສາມາດປະຕິບັດການຫັນປ່ຽນຂໍ້ມູນເບື້ອງຕົ້ນ. Apache Kafka ສະຫນອງການຄຸ້ມຄອງແບບພິເສດຂອງທໍ່ຂໍ້ມູນ (ບ່ອນທີ່ຂໍ້ມູນສາມາດຖືກໂຫລດຫຼາຍຄັ້ງ, ເຊັ່ນດຽວກັນກັບການຫັນປ່ຽນຂໍ້ມູນ, ການວິເຄາະແລະການດໍາເນີນການຄົງທີ່).

ດັ່ງນັ້ນ, ນັກວິເຄາະຂໍ້ມູນໄດ້ເຂົ້າເຖິງຂໍ້ມູນແລະສ້າງແບບຈໍາລອງ. ໃນປັດຈຸບັນລາວມີຄວາມປາຖະຫນາທີ່ຈະແບ່ງປັນຜົນໄດ້ຮັບທີ່ໄດ້ຮັບກັບເພື່ອນຮ່ວມງານຫຼືຜູ້ພັດທະນາແອັບພລິເຄຊັນ, ແລະໃຫ້ພວກເຂົາມີຕົວແບບຂອງລາວກ່ຽວກັບຫຼັກການຂອງການບໍລິການ. ນີ້ຮຽກຮ້ອງໃຫ້ມີເຊີຟເວີ inference, ແລະ Open Data Hub ມີເຄື່ອງແມ່ຂ່າຍດັ່ງກ່າວ, ມັນຖືກເອີ້ນວ່າ Seldon ແລະອະນຸຍາດໃຫ້ທ່ານເຜີຍແຜ່ຮູບແບບດັ່ງກ່າວເປັນບໍລິການ RESTful.

ໃນບາງຈຸດ, ມີຫຼາຍຕົວແບບດັ່ງກ່າວຢູ່ໃນເຊີບເວີ Seldon, ແລະມີຄວາມຕ້ອງການທີ່ຈະຕິດຕາມວິທີການນໍາໃຊ້. ເພື່ອບັນລຸສິ່ງດັ່ງກ່າວ, Open Data Hub ສະເຫນີການລວບລວມຕົວຊີ້ວັດທີ່ກ່ຽວຂ້ອງແລະເຄື່ອງຈັກລາຍງານໂດຍອີງໃສ່ເຄື່ອງມືກວດສອບແຫຼ່ງເປີດທີ່ໃຊ້ກັນຢ່າງກວ້າງຂວາງ Prometheus ແລະ Grafana. ດັ່ງນັ້ນ, ພວກເຮົາໄດ້ຮັບຄໍາຄິດເຫັນເພື່ອຕິດຕາມການນໍາໃຊ້ຕົວແບບ AI, ໂດຍສະເພາະໃນສະພາບແວດລ້ອມການຜະລິດ.

ດ້ວຍວິທີນີ້, Open Data Hub ສະໜອງວິທີການທີ່ຄ້າຍຄືກັບຄລາວຕະຫຼອດວົງຈອນຊີວິດຂອງ AI/ML ທັງໝົດ, ຈາກການເຂົ້າເຖິງຂໍ້ມູນ ແລະການກະກຽມໄປສູ່ການຝຶກອົບຮົມແບບຈໍາລອງ ແລະການຜະລິດ.

ເອົາມັນທັງຫມົດຮ່ວມກັນ

ຕອນນີ້ຄໍາຖາມທີ່ເກີດຂື້ນກ່ຽວກັບວິທີການຈັດລະບຽບທັງຫມົດນີ້ສໍາລັບຜູ້ເບິ່ງແຍງ OpenShift. ແລະນີ້ແມ່ນບ່ອນທີ່ຜູ້ປະກອບການ Kubernetes ພິເສດສໍາລັບໂຄງການ Open Data Hub ເຂົ້າມາມີບົດບາດ.

ຜູ້ປະກອບການນີ້ຄຸ້ມຄອງການຕິດຕັ້ງ, ການຕັ້ງຄ່າແລະວົງຈອນຊີວິດຂອງໂຄງການ Open Data Hub, ລວມທັງການນໍາໃຊ້ເຄື່ອງມືທີ່ໄດ້ກ່າວມາຂ້າງເທິງເຊັ່ນ JupyterHub, Ceph, Spark, Kafka, Seldon, Prometheus ແລະ Grafana. ໂຄງການ Open Data Hub ສາມາດພົບໄດ້ໃນ OpenShift web console, ໃນພາກສ່ວນຜູ້ປະກອບການຊຸມຊົນ. ດັ່ງນັ້ນ, ຜູ້ບໍລິຫານ OpenShift ສາມາດລະບຸວ່າໂຄງການ OpenShift ທີ່ສອດຄ້ອງກັນຖືກຈັດປະເພດເປັນ "ໂຄງການ Open Data Hub". ນີ້ແມ່ນເຮັດຄັ້ງດຽວ. ຫຼັງຈາກນີ້, ນັກວິເຄາະຂໍ້ມູນໄດ້ເຂົ້າໄປໃນພື້ນທີ່ໂຄງການຂອງລາວຜ່ານ OpenShift web console ແລະເຫັນວ່າຜູ້ປະຕິບັດງານ Kubernetes ທີ່ສອດຄ້ອງກັນໄດ້ຖືກຕິດຕັ້ງແລະມີສໍາລັບໂຄງການຂອງລາວ. ຫຼັງຈາກນັ້ນ, ລາວສ້າງໂຄງການ Open Data Hub ດ້ວຍການຄລິກດຽວແລະທັນທີເຂົ້າເຖິງເຄື່ອງມືທີ່ອະທິບາຍຂ້າງເທິງ. ແລະທັງຫມົດນີ້ສາມາດ configured ໃນຄວາມພ້ອມສູງແລະຮູບແບບຄວາມທົນທານຄວາມຜິດ.

ຖ້າທ່ານຕ້ອງການລອງໂຄງການ Open Data Hub ສໍາລັບຕົວທ່ານເອງ, ເລີ່ມຕົ້ນດ້ວຍ ຄໍາ​ແນະ​ນໍາ​ການ​ຕິດ​ຕັ້ງ​ແລະ​ການ​ແນະ​ນໍາ tutorial. ລາຍລະອຽດດ້ານວິຊາການຂອງສະຖາປັດຕະຍະກໍາ Open Data Hub ສາມາດພົບໄດ້ ທີ່ນີ້, ແຜນ​ການ​ພັດ​ທະ​ນາ​ໂຄງ​ການ - ທີ່ນີ້. ໃນອະນາຄົດ, ພວກເຮົາວາງແຜນທີ່ຈະປະຕິບັດການເຊື່ອມໂຍງເພີ່ມເຕີມກັບ Kubeflow, ແກ້ໄຂບັນຫາຈໍານວນຫນຶ່ງກ່ຽວກັບກົດລະບຽບຂໍ້ມູນແລະຄວາມປອດໄພ, ແລະຍັງຈັດການປະສົມປະສານກັບລະບົບທີ່ອີງໃສ່ກົດລະບຽບ Drools ແລະ Optaplanner. ສະແດງຄວາມຄິດເຫັນຂອງທ່ານແລະກາຍເປັນຜູ້ເຂົ້າຮ່ວມໃນໂຄງການ ເປີດ Data Hub ເປັນໄປໄດ້ໃນໜ້າ ຊຸມຊົນ.

ເພື່ອສະຫຼຸບຄືນ: ສິ່ງທ້າທາຍດ້ານການຂະຫຍາຍຂະໜາດທີ່ໜັກໜ່ວງແມ່ນຂັດຂວາງບໍ່ໃຫ້ອົງການຈັດຕັ້ງຮັບຮູ້ທ່າແຮງອັນເຕັມທີ່ຂອງປັນຍາປະດິດ ແລະການຮຽນຮູ້ເຄື່ອງຈັກ. Red Hat OpenShift ໄດ້ຖືກນໍາໃຊ້ຢ່າງສໍາເລັດຜົນເປັນເວລາດົນນານເພື່ອແກ້ໄຂບັນຫາທີ່ຄ້າຍຄືກັນໃນອຸດສາຫະກໍາຊອບແວ. ໂຄງການ Open Data Hub, ຈັດຕັ້ງປະຕິບັດພາຍໃນຊຸມຊົນການພັດທະນາແຫຼ່ງເປີດ, ສະເໜີສະຖາປັດຕະຍະກຳອ້າງອີງເພື່ອຈັດລະບຽບການດໍາເນີນງານເຕັມຮູບແບບຂອງ AI/ML ໂດຍອີງໃສ່ OpenShift hybrid cloud. ພວກເຮົາມີແຜນການທີ່ຈະແຈ້ງແລະມີຄວາມຄິດກ່ຽວກັບການພັດທະນາໂຄງການນີ້, ແລະພວກເຮົາຈິງຈັງໃນການສ້າງຊຸມຊົນທີ່ມີການເຄື່ອນໄຫວແລະມີຫມາກຜົນຢູ່ອ້ອມຮອບມັນສໍາລັບການພັດທະນາການແກ້ໄຂ AI ໃນເວທີ OpenShift.

ແຫຼ່ງຂໍ້ມູນ: www.habr.com