当我们训练完深度学习模型后，会进行模型的线上部署，产生新的 bad case 后，收集数据，进行模型的再次迭代。以上是一个典型的机器学习系统运行的周期。在过去几年的实践当中，以上周期中的各个步骤，大部分是靠人手工完成的。这样做的缺点有以下几个：1. 具有不确定性。模型训练，调优和发布，完全取决于深度学习算法和工程人员，周期具有不确定性。2. 重复性劳动。很多操作都是重复的，算法人员无法重重复繁冗的流程中解脱出来。3. 自动化程度低。本质上，所有步骤都是可以自动化完成的。因此，工业实践中就出现了 MLOps 的概念，我们可以把它类比为机器学习界的 DevOps，将深度学习模型工作，从小作坊式的发布流程，升级为系统化的软件工程实践。Kubeflow 做的事情是将数据处理，模型训练，模型评测，模型部署，数据收集这样一个闭环流程自动化运行。理想情况下，算法人员不需要参与任何工作，模型就可以自动化地闭环运行起来。 Kubeflow 本身还提供了很多工具包，包括进行超参搜索的 Katib，可以进行网格搜索，随机搜索和贝叶斯搜索。还有可视化流水线开发的接口，可以让人们通过图形化拖拽的方式，来配置流水线。如果你对如何部署生产级的机器学习系统感兴趣，可以花一点时间快速的浏览一下这本书。