本文来自于infoq，文章介绍了机器学习的各个业务方各个痛点，Kubeflow以及Kubeflow核心组件等相关知识。随着机器学习和人工智能的迅猛发展，业界出现了许多开源的机器学习平台。由于机器学习与大数据天然的紧密结合，基于 HadoopYarn的分布式任务调度仍是业界主流，但是随着容器化的发展，Docker+Kubernetes 的云原生组合，也展现出了很强的生命力。表1.互联网业界机器学习平台架构对比

本文来自于infoq，文章介绍了机器学习的各个业务方各个痛点，Kubeflow以及Kubeflow核心组件等相关知识。随着机器学习和人工智能的迅猛发展，业界出现了许多开源的机器学习平台。由于机器学习与大数据天然的紧密结合，基于HadoopYarn的分布式任务调度仍是业界主流，但是随着容器化的发展，Docker+Kubernetes的云原生组合，也展现出了很强的生命力。表1.互联网业界机器学习平台架构对比在建设分布式训练平台的过程中，我们和机器学习的各个业务方，包括搜索推荐、图像算法、交易风控反作弊等，进行了深入沟通，调研他们的痛点。从中我们发现，算法业务方往往专注于模型和调参，而工程领域是他们