AWS讓RoboMaker用戶使用Kubeflow來加速機器人開發

AWS現在讓雲端機器人服務AWS RoboMaker用戶，以Kubeflow來調度機器人機器學習工作流程，透過新發布的Amazon SageMaker增強學習（RL）Kubeflow元件，用戶可創建Kubeflow工作管線，更快地進行實驗和管理機器人機器學習工作流程，且不需要每次為新任務重新建置端到端解決方案。Kubeflow讓用戶在Kubernetes上，簡單地部署機器學習工作流程，並且達到可移植且可擴展的目的。

機器人領域需要整合多種技術，包括辨識、感測、機器學習和增強學習等，才能完成包括組裝、包裝、遞送、環境監測、救援和輔助手術等任務。增強學習是一種新興技術，讓機器人不需要複雜的訓練資料，就能學習複雜的行為，並且在對長期目標進行最佳化的同時，也能良好地做出短期決策。

在AWS中有兩個相關的服務，分別是SageMaker和AWS RoboMaker，分別提供不同角色使用，SageMaker供資料科學家使用，而AWS RoboMaker的使用者則鎖定機器人專家。SageMaker是一個全託管的服務，可以讓用戶快速建構、訓練和部署機器學習模型，SageMaker RL則是建立在SageMaker基礎上，提供好用的增強學習工具，能夠簡單地整合到任何模擬環境，而AWS RoboMaker是一個完整的雲端解決方案，可讓開發人員大規模地模擬、測試和部署機器人應用程式。

要整合Amazon SageMaker和AWS RoboMaker，在機器人開發中結合機器學習工作流程並不容易，為了解決這個問題，AWS現在推出適用於Kubernetes的Amazon SageMaker RL元件，用戶可以在Kubeflow工作管線中使用SageMaker RL元件，來啟動平行化SageMaker訓練和AWS RoboMaker模擬工作。

在Kubeflow工作管線中的SageMaker元件，可以簡單地載入元件，並且使用Kubeflow工作管線SDK描述工作管線，接著SageMaker RL就會開始訓練增強學習代理，而當訓練完成，增強學習代理模型會被儲存在Amazon S3儲存桶中，用戶就可以將模型下載到機器人中，並開始執行任務。

在典型的Kubeflow工作管線中，每個元件都會將用戶邏輯封裝在容器映像檔中，因此用戶可以將程式碼放進自定義容器映像檔中，並將其推送到容器註冊表中，當工作管線執行時，會在Kubeflow的Kubernetes叢集節點上實例化元件容器，便能執行用戶撰寫的邏輯。

但是當用戶在Kubeflow工作管線中使用SageMaker元件，而不是將邏輯封裝在自定義容器中，用戶只需要使用Kubeflow工作管線SDK載入元件，並且描述工作管線，在工作管線執行時，用戶的指令會被轉換成SageMaker工作或部署，這些工作會在SageMaker的全託管基礎設施上執行，因此用戶可以獲得完整的SageMaker好處，包括使用競價型訓練服務和端點自動擴展等。

用戶可以分開調度和模擬用的VPC，因為RL Estimator、AWS RoboMaker以及Kubeflow工作管線元件之間，不需要直接通訊，這些元件會和AWS RoboMaker和SageMaker API互動，但不與工作本身互動。