分享一篇有关互联网，手机方面文章给大家，相信很多小伙伴们还是对互联网，手机这方面还是不太了解，那么小编也在网上收集到了一些关于手机和互联网这方面的相关知识来分享给大家，希望大家看了会喜欢。Dotscience今天宣布将提供一个DevOps平台，该平台可加速Kubernetes集群上可用的人工智能(AI)模型的构建和部署。
公司首席执行官卢克·马斯登(Luke Marsden)表示，许多组织开始采用AI原生模型，以便更轻松地在本地或公共云环境中部署这些模型。AI模型被部署为在Kubernetes集群中运行的Docker映像。
Dotscience正在简化训练AI模型的过程，然后通过其Dotscience Kubernetes Runner平台将它们部署在推理引擎上。然后，可以使用Prometheus和基于Grafana的仪表板实例对这些模型进行连续监视，而Grafana也可以使用这些仪表板。
Dotscience还宣布已与S&P Global结成联盟，两家公司将根据此联盟共同定义一套构建和部署AI模型的最佳实践。标普全球选择与Dotscience合作，原因是它发现至少一半的AI模型由于需要建立健壮的数据管道和在本地笔记本电脑上运行的AI模型实例等问题而未能通过孵化阶段。在生产环境中运行的服务器上。
阻碍AI采用的两个最大障碍是，大多数数据科学团队没有一套可重复的流程来构建和部署AI模型。如今，许多组织都充斥着未与应用程序一起部署的AI模型，这是因为缺少将AI模型交给应用程序开发人员团队的定义流程。
随着发现新的相关数据源，更具挑战性的是，其中许多模型都需要更新，而如果没有一套最佳的DevOps实践，则很难实现。
最后，Marsden指出，许多已部署的AI模型都在模型中嵌入了偏差，导致许多偏差在部署后会回滚。
Marsden表示，由于所有这些问题，面向AI的DevOps(也称为机器学习(MLOps))正在成为一门学科，并且组织处于拥抱AI的前沿。Dotscience通过提供管理构建和部署过程的持续集成/连续部署平台，努力使采用DevOps for AI更容易。可以通过公司提供的图形界面，Python库或一组命令行界面(CLI)工具部署AI模型。
就AI模型而言，显然还处于初期。但是，鉴于许多AI项目的雄心勃勃，如果AI模型不符合期望，组织就需要能够快速失败。他们面临的挑战不仅在于构建AI模型，而且在于寻找以工业规模部署和更新这些AI模型的方法。