Việc chuyển một mô hình AI từ "Lab" (Jupyter Notebook) sang "Production" (Môi trường người dùng cuối) là thách thức lớn nhất trong MLOps. Cuốn sách Kubeflow for Machine Learning (2021) cung cấp kiến trúc và công cụ để chuẩn hóa quy trình này, sử dụng nền tảng Container hàng đầu thế giới: Kubernetes.
Tại sao đây là cuốn sách thiết yếu cho các Engineer làm việc với Kubernetes? Kubeflow là một bộ công cụ mã nguồn mở giúp quản lý toàn bộ vòng đời ML Pipeline. Sách hướng dẫn bạn:
Chuẩn hóa Workflow: Sử dụng Kubeflow Pipelines để định nghĩa và tự động hóa các bước từ tiền xử lý dữ liệu, huấn luyện, tuning, cho đến triển khai Model.
KFServing & Deployment: Triển khai các Model đã training (đặc biệt là PyTorch và TensorFlow) dưới dạng Microservices tốc độ cao, có khả năng tự co giãn (Autoscaling).
Environment Consistency: Đảm bảo môi trường làm việc của Data Scientist và môi trường Production đồng nhất, sử dụng Container.
Tài nguyên hiệu quả: Phân bổ GPU và tài nguyên tính toán khác trong Cluster Kubernetes một cách tối ưu.
Đối với các ML Engineer, Data Scientists, và DevOps tại Hà Nội và TP.HCM muốn xây dựng các hệ thống AI ổn định, quy mô lớn, cuốn sách này cung cấp ngôn ngữ và công cụ chung để các team phối hợp nhịp nhàng.
