红帽全球峰会第 5 章 后续步骤
以下产品文档提供了有关如何使用 OpenShift AI 开发、测试和部署数据科学解决方案的更多信息。
- 试用端到端教程
逐步指导，使用示例 fraud 检测模型完成以下任务：
- 使用 Jupyter 笔记本探索预遍历的欺诈检测模型。
- 使用 OpenShift AI 模型服务部署模型。
- 使用自动化管道优化并培训模型。
- 在工作台 IDE 中开发和培训模型
了解如何访问工作台 IDE (JupyterLab、code-server 或 RStudio 服务器)。
对于 JupyterLab IDE，了解以下任务：
- 创建并导入笔记本
- 使用 Git 合作笔记本
- 查看并安装 Python 软件包
- 常见问题故障排除
- 使用管道自动化 ML 工作流
通过使用 Docker 容器构建带有数据科学管道的可移植机器学习(ML)工作流，提高 OpenShift AI 上的数据科学项目。使用管道来持续重新培训并根据新收到的数据更新模型。
- 部署并测试模型
在 OpenShift 集群上部署 ML 模型以测试并将其集成到智能应用程序中。当您部署模型时，它可作为服务使用 API 调用来访问。您可以根据通过 API 调用提供的数据输入返回预测。
- 监控和管理模型
Red Hat OpenShift AI 服务包括在 Red Hat OpenShift Dedicated 或 Red Hat Openshift Service on AWS 上托管模型的模型部署选项，用于集成到外部应用程序中。
- 添加加速器以优化性能
如果使用大型数据集，您可以使用加速器，如 NVIDIA GPU、AMD GPU 和 Intel Gaudi AI 加速器，以优化 OpenShift AI 中数据科学模型的性能。通过加速器，您可以扩展工作、缩短延迟并提高生产效率。
- 实施分布式工作负载以提高性能
实施分布式工作负载，以并行方式使用多个集群节点，实现更快速、高效的数据处理和模型培训。
- 探索扩展
使用集成的第三方应用程序扩展您的核心 OpenShift AI 解决方案。一些领先的 AI/ML 软件技术合作伙伴，包括 Starburst、Intel AI Tools、Anaconda 和 IBM 可通过 Red Hat Marketplace 提供。
5.1. 其他资源
除了产品文档外，红帽还为 OpenShift AI 及支持的应用程序提供一组丰富的学习资源。
在 OpenShift AI 仪表板的 Resources 页面中，您可以使用 category 链接来过滤数据科学工作流的不同阶段的资源。例如，点 Model serving 类别来显示各种部署模型方法的资源。点 All items 显示所有类别的资源。
对于所选类别，您可以应用附加选项来过滤可用资源。例如，您可以根据类型进行过滤，如文章、快速启动或教程等；这些资源提供了常见问题的答案。
有关 Red Hat OpenShift AI 支持要求和限制的详情，请参考 Red Hat OpenShift AI: 支持的配置。
'%20d='M201.5%20305.5c-13.8%200-24.9-11.1-24.9-24.6%200-13.8%2011.1-24.9%2024.9-24.9%2013.6%200%2024.6%2011.1%2024.6%2024.9%200%2013.6-11.1%2024.6-24.6%2024.6zM504%20256c0%20137-111%20248-248%20248S8%20393%208%20256%20119%208%20256%208s248%20111%20248%20248zm-132.3-41.2c-9.4%200-17.7%203.9-23.8%2010-22.4-15.5-52.6-25.5-86.1-26.6l17.4-78.3%2055.4%2012.5c0%2013.6%2011.1%2024.6%2024.6%2024.6%2013.8%200%2024.9-11.3%2024.9-24.9s-11.1-24.9-24.9-24.9c-9.7%200-18%205.8-22.1%2013.8l-61.2-13.6c-3-.8-6.1%201.4-6.9%204.4l-19.1%2086.4c-33.2%201.4-63.1%2011.3-85.5%2026.8-6.1-6.4-14.7-10.2-24.1-10.2-34.9%200-46.3%2046.9-14.4%2062.8-1.1%205-1.7%2010.2-1.7%2015.5%200%2052.6%2059.2%2095.2%20132%2095.2%2073.1%200%20132.3-42.6%20132.3-95.2%200-5.3-.6-10.8-1.9-15.8%2031.3-16%2019.8-62.5-14.9-62.5zM302.8%20331c-18.2%2018.2-76.1%2017.9-93.6%200-2.2-2.2-6.1-2.2-8.3%200-2.5%202.5-2.5%206.4%200%208.6%2022.8%2022.8%2087.3%2022.8%20110.2%200%202.5-2.2%202.5-6.1%200-8.6-2.2-2.2-6.1-2.2-8.3%200zm7.7-75c-13.6%200-24.6%2011.1-24.6%2024.9%200%2013.6%2011.1%2024.6%2024.6%2024.6%2013.8%200%2024.9-11.1%2024.9-24.6%200-13.8-11-24.9-24.9-24.9z'/%3e%3c/svg%3e){kind=small}