机器学习平台的建设是一个交叉应用领域，涉及到的技术非常广泛，至少包含了机器学习算法、容器化、分布式系统、Serverless、分布式存储、容器编排等工程技术；同时这类平台一般由工程开发人员主导建设，交付算法以及数据分析团队使用，在需求的挖掘与取舍上也与其它平台有很大区别，是一类跨界系统。

信也科技为适应自身业务需求，从0开始自研了机器学习平台，目前平台已交付使用，并稳定接入了内部绝大部分模型。

本次分享将介绍信也科技机器学习平台的架构与落地经验，听众将了解到机器学习平台建设过程中的一些特点与难点以及云原生技术如何在机器学习领域发挥作用。

演讲提纲：

1. 机器学习平台总体架构
2. 容器化机器学习环境的分层构建实践
3. 模型开发环境的设计、底层计算资源的隔离方案
4. 异构集群下的分布式训练方案
5. 模型服务高效低延迟的弹性伸缩特点与应对方案
6. 大规模集群下的平台监控与告警实践
7. Kubernetes 集群搭建与运维的一些经验与教训
8. 目前依旧存在的难点与展望

你将获得：

1. 对于 DevOps 工程师来说可以了解到云原生技术在机器学习领域的应用经验
2. 对于系统架构工程师来说可以了解到对机器学习平台的一些抽象思路与设计经验
3. 对于机器学习算法工程师来说可以了解到适当的机器学习工具或系统可以为开发带来哪些提升。