AI人工智能，对于当今众多企业而言早已不再陌生。然而，真正让AI释放商业价值、而非停留在实验室阶段的关键，在于合适的工具、可靠的平台以及专业的团队。作为全球支付领域的领导者，Mastercard对此显然有着深入骨髓的理解。 Mastercard软件工程总监Alexander Hughes直言不讳地阐述了公司的使命：“连接并驱动一个包容性的数字经济，通过使交易安全、简单、智能和可访问，让每个人都能从中受益。” 而支撑这一愿景的核心驱动力，正是数据科学的力量。 如何借助Kubernetes提升AI的生产力与安全性？在KubeCon盐湖城的一场同期活动中，Hughes与Mastercard首席Kubernetes架构师Ra vishankar Rao分享了他们的转型实践经验。

为实验创造空间

他们首先谈到，为数据科学家构建一个“实验空间”至关重要。这个空间不仅需要具备实验功能，还必须能够安全、无缝地将研究成果迁移至生产环境。 具体如何实现？Hughes给出的答案是 **Jupyter Notebooks**。“我们希望确保这个平台能为数据工程师和数据科学家提供一个快速的实验环境。” 他提到，配合经过精心调优的CPU与GPU配置文件，可以实现高效的资源利用，从而支持快速迭代与创新方案的落地。 解决了实验环境后，接下来要应对的是训练工作流的编排挑战。他们采取的策略是引入**动态GPU分配**以及专门的GPU集群环境，从而实现高效、可扩展的机器学习模型训练。Hughes补充道：“我们还拥有集中的协作功能，能进一步增强训练工作流程。例如，无缝地注册、管理和共享功能，这促进了协作式特征工程，让团队能够高效协同并共享资源。”

在Kubernetes上构建AI工作台

为了将这些理念付诸实践，Mastercard基于Kubernetes打造了一个名为“AI工作台”的全新平台。对于一家信用卡信息提供商而言，安全始终是首要考量。私有数据的特性构成了Mastercard数据集的核心，因此这个AI工作台承载着极高的安全要求。 最理想的运行模式是什么？那就是平台能够在完全离线、与开放互联网隔绝的环境下运行。因此，他们选择了 **Red Hat OpenShift**，原因在于：它构建的集群可以在断网环境中运行，完美契合了这种高安全需求。 Hughes解释道：“我们在工作台里开展的所有工作都基于Kubernetes，但我们希望确保这个集群的资源受到保护，并与通用工作负载隔离。我们通过专门构建的纯AI/ML集群来实现这一点，从而为这些高级用途打造了一个专用的生态系统。” 不过，仅有架构还不够。Hughes提到，在产品开发过程中，工程师经常被重复性任务拖慢节奏。于是，他们引入了**自动化工作流实例化**，专门用于处理超参数优化、模型选择与特征选择等繁琐重复的工作。 Rao则进一步描述了集成过程：“我们集成了Kubeflow与Spark Operator的所有组件，让数据科学家能够运行他们的AI/ML工作负载。” 最终成果令人惊叹——他们能够以自动化方式，在开发、试运行和生产环境中部署多个AI工作台实例，并让大量数据科学家入驻，交付了一批具有实际价值的解决方案。Rao特别指出：“最关键的是，我们引入了GPU计算，这将训练周期从几周缩短到了几天。” 为了验证实际效果，Mastercard进行了一次内部调查。内部的数据科学家与开发人员给出的反馈惊人一致：这是一个“非常出色的实验平台”。大家对该基于OpenShift的平台在数据获取方面的便捷性十分满意，因为它已经预先安装了所有必需的库和工具。