生产中的 Serverless 机器学习流水线
TL; DR 本文将讨论机器/深度学习基础设施运维（MLOps）中的机器学习流水线。文章将覆盖以下内容和技术点： 定义了生产环境中对 ML pipeline 的要求（requirements）。 提供了基于阿里云函数工作流 (FnF)，函数计算 (FC) Serverless ML Pipeline 解决方案 Github。 解决方案提供 FC 与阿里云容器服务 K8s (ACK) 结合教程，讲解触发任务，部署预测推理服务和暴露服务步骤。 对解决方案和类似方案进行分析比较结论：Serverless ML pipeline 可以提高研发效率，优化运维和经济成本，帮助 ML 更快产生价值。 讨论 ML 基础设施的选型：函数计算可以很好地和 K8s 集群形成优势互补。 前言 随着机器/深度学习的商业价值体现的越来越明显，围绕 ML 的软件技术也日新月异，训练 （training），模型 (model)，算法 (algorithm)，预测 (predictions)，推理 (inference) 这些概念以及 Spark MLlib, Tensorflow 这些软件框架也变成了超高频词。在本地...
