红帽全球峰会第 1 章 分布式工作负载概述
您可以使用分布式工作负载功能来队列、扩展和管理在 OpenShift 集群中在多个节点上运行数据科学工作负载所需的资源。通常，数据科学工作负载包括多种人工智能(AI)工作负载，包括机器学习(ML)和 Python 工作负载。
分布式工作负载提供以下优点：
- 由于处理时间减少，您可以更频繁地迭代和试验速度。
- 您可以使用更大的数据集，这可导致更准确的模型。
- 您可以使用无法在单一节点上培训的复杂模型。
- 您可以随时提交分布式工作负载，然后在所需资源可用时调度分布式工作负载。
分布式工作负载基础架构包括以下组件：
- CodeFlare Operator
- 保护部署的 Ray 集群，并授予对其 URL 的访问权限
- CodeFlare SDK
为任何基于 Python 的环境定义和控制远程分布式计算作业和基础架构
注意CodeFlare SDK 未作为 OpenShift AI 的一部分安装，但它包含在 OpenShift AI 提供的一些笔记本镜像中。
- KubeRay
- 管理 OpenShift 上的远程 Ray 集群，用于运行分布式计算工作负载
- 韩语
- 管理配额以及分布式工作负载如何使用它们，并管理与配额相关的分布式工作负载的队列
您可以从数据科学管道、Jupyter 笔记本或从 Microsoft Visual Studio Code 文件运行分布式工作负载。
注意
数据科学管道工作负载不由分布式工作负载功能管理，不包含在分布式工作负载指标中。
'%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}