Kubecon 2017 大会 Google 高级产品经理 David Aronchick 访谈：机器学习和 Kubernetes

看新闻很累？看技术新闻更累？试试下载 InfoQ 手机客户端，每天上下班路上听新闻，有趣还有料！

在德克萨斯州奥斯汀市举办的 Kubecon 大会已于近日闭幕，会议吸引了超过 4000 名工程师，Kubernetes 成为了大会最热门的主题。由于工作负载的本质和训练算法中典型繁重计算的需求，机器学习话题和它与 Kubernetes 的协同作用在许多会议上都讨论过。

Kubeflow 平台使得 Kubernetes 上的机器学习简单，便携和可扩展，它主要通过提供 manifests 来创建：

• JupyterHub，以实现和管理 Jupyter 笔记本；
• 同时适配 CPU 和 GPU 的 Tensorflow 训练控制器；
• Tensorflow 服务容器。

InfoQ 有幸邀请到 David Aronchick 就相关问题进行了访谈，David Aronchick 不仅是 Google 的产品经理，也是 Kubeflow 的主导者。他在 Kubecon 2017 大会上着重展示了 Kubernetes 和机器学习的协同作用。

InfoQ：机器学习在 Kubecon 大会上获得了很大关注，有什么特别的原因吗？

Aronchick：毫无疑问，机器学习正改变着几乎所有产业的商业模式。在这么大的场合，有那么多的听众，或者说有那么多的行业顶尖人才齐聚一堂来探讨技术的未来，大家总会提到最新的技术趋势和进展。超过 4000 多名的 Kubecon 大会参会者不仅想了解别人所从事的尖端机器学习，也想知道他们是怎么运用这些新技术来改善自己的流程的。

这也就是说，许多新项目都跳出了原有的框架，同时还有不少的改变。实际上，之前的许多公告都说过有完整的机器学习堆栈。我想说我们首先要转换的一个思维是，Kubernetes 上的机器学习不仅仅是指未来的事情，它其实是一个现当下的事情。

InfoQ：您能描述一下机器学习和 Kubernetes 之间的全面协同过程吗？

Aronchick：对于现存大量数据的使用来说，机器学习是一个新方法，同时它也能拿出比以前更准确、更快的方案来解决业务问题。但是，机器学习解决方案的基础架构支持 (大多数都相当复杂) 仍然比较新，需要大量的自定义脚本、依赖项分析和兼容性问题等。而且，机器学习栈堆通常部署在多个位置 (用于开发、训练和生产)，保持每个节点的同步使得使用机器学习这个挑战更艰难。

为帮助大规模地部署和运行这些机器学习平台，Kubernetes 提供了一个通用的平台。凭借在多个云环境中运行的丰富编排，Kubernetes 为数据科学家、开发人员和 IT 专业人员提供了一种简单的方法来部署、运行和管理复杂的、多服务的机器学习工作负载。

InfoQ：与使用 Kubeflow 相比，通过 Helm 图表在 Kubernetes 上安装机器学习工具有什么不同呢？

Aronchick： 机器学习工具的实际安装是通过封装系统完成的。目前，Kubeflow 正在使用 ksonnet ，我们仍然希望它可以支持多种不同的部署技术。Kubeflow 的价值更多在于用简单的方式使大量的工具共同运行得更好。我们也在评估所有其他的选项，包括 helm 和 ksonnet 等等，但是，我们想在安装时为用户提供一组更丰富的对象，以确保所涉及的多个包能够很好地共同运行，并且立即可用。

InfoQ：假设我是一名机器学习 / 数据科学家，Kubeflow 会如何简化我的日常工作，而不是通过添加 Kubzernetes 层来使之复杂化？

Aronchick：因为 Kubernetes 提供部署对象和服务端点，如果你是一个数据工程师，这也就意味着你只需要关注和你相关的点，也就是解决数据问题。我们不希望、也不需要数据科学家为了使用 Kubeflow 去安装复杂的 Kubernetes 设置。在你的笔记本电脑上，你可能需要使用 minikube。在你的本地集群上，你可能需要使用由你的组织所提供的 Kubernetes 安装。在云端，你可以使用托管的 Kubernetes 提供程序（provider）。在每种情况下，你都只能看到一条安装 Kubeflow 的指令，按需安装之后你就可以看到你所熟悉的 Tensorflow 服务和 Jupyter 笔记本了。

InfoQ：关于机器学习工具包的基础架构支持如何被集成为 Kubeflow 这一点，您能给我们再详述一下技术细节吗？

Aronchick：因为我们正在使用本地的 Kubernetes 工具，对现有部署包的集成是相当简单的。我们是以一个社区的形式来提供各种各样的选择的，但有的人可能喜欢其他的直接介入的机器学习工具包，因为他们最了解他们的平台（我们现在也正在与其他的团队接洽）。关于下一个我们将要添加的工具包将会是什么这个问题，我们在 Github repo 上进行了一些讨论，但总体来说，我们是愿意为用户提供帮助的。

InfoQ：社区是如何支持 Kubeflow 的呢？还有 Kubeflow 的发展蓝图是什么呢，会不会加入针对类似 Cloud Foundry 和 OpenShift 等平台的支持？

Aronchick： Kubeflow 是本地的 Kubernetes，而且我们正致力于确保这种情况继续下去。这也就意味着在我们的计划中我们将一直支持和 Kubernetes 相一致的任何平台，也包括 Cloud Foundry 和本地 OpenShift（Red Hat 已经加入我们的项目了）。我们也已经对外公布了与 Canonical/Ubuntu，Weaveworks，Caicloud 以及许多其他平台提供商的合作。我们非常重视无所不在的机器学习堆栈的价值，也努力确保 Kubeflow 能够满足每一个数据科学家的需要，随时随地提供服务。

如果想了解主会场演讲和其他记录，可前往 Kubecon 的日程页面获取。

查看英文原文： Q&A on Machine Learning and Kubernetes with David Aronchick of Google from Kubecon 2017

感谢罗远航对本文的审校。

给InfoQ 中文站投稿或者参与内容翻译工作，请邮件至 editors@cn.infoq.com 。也欢迎大家通过新浪微博（ @InfoQ ， @丁晓昀），微信（微信号： InfoQChina ）关注我们。