強化MLOps應用，Canonical的Kubeflow新版強調可解決模型漂移問題

Canonical發布自家最新的Kubernetes機器學習開發工作流程工具Charmed Kubeflow 1.4，資料科學家可運用這套軟體更快實作概念，實際部署到雲端，並安全地在機器學習專案上協作。同時，新版軟體在進階模型生命周期管理中添加多項功能，包括加入上游Kubeflow 1.4和MLFlow整合支援。

比起以前的版本，Kubeflow 1.4具有重大的可用性改進。例如，提供一致的訓練Operator，支援目前主流的機器學習框架，例如TensorFlow、MXNet、XGBoost和PyTorch，而這個特色能夠大幅簡化解決方案，並提高未來的可擴展性，也讓Kubernetes叢集消耗更少的資源。

Charmed Kubeflow現在也整合MLFlow，因此用戶可以使用MLFlow指標和模型註冊表，來達到真正的自動化模型生命周期管理。基本上，MLFlow本身是機器學習模型生命周期管理開源平臺，能用於實驗、再現和部署模型上，並提供集中式的模型登錄機制。

藉由使用MLFlow整合功能，資料科學家能夠建構模型漂移（Model Drift）自動偵測，並且觸發Kubeflow再訓練工作管線。對於因即時預測資料集和訓練資料集的變化，模型準確性開始下降，所產生的模型漂移，也能透過MLFlow整合功能，有效解決該問題。

在最新推出的Charmed Kubeflow 1.4，支援所有Kubeflow元件開箱即用的多用戶部署場景，包括Kubeflow筆記本、工作管線和實驗，能簡化Charmed Kubeflow的使用，也改善治理，進而減少影子IT環境的發生，還能避免組織資料洩漏。