去年各種開源運動，大概沒甚麼比Kubernetes的發展，更加引人注目。Kubernetes以下各項開源計畫，又以針對人工智能Kubeflow有看頭。不過，Kubeflow跟用於AI分析的深度學習框架Tensorflow沒有關係，Kubeflow也支援Café和Pytorch等深度學習框架。
Kubeflow的作用，除了可以利用容器化優點，毋須利用VM，AI變成一項雲原生（Cloud Native）應用，幾乎完全不用部署，就可直接訓練AI模型，Kubeflow可安裝在單機上，也可安裝在任何公有雲，除了Google的GCP公有雲，也可利用AWS或者Azure等。
不少企業可能正利用多個公有雲，Kubeflow具備所有容器化的特點，可先在單機上做好試驗，才移到一個公有雲上執行。
自動配置算力
一般數據科學家，面對大量的數據，建立預測模型，都要以數據先作訓練，甚至先作試驗。但是訓練AI動用的運算能力，費用不菲，即使以公有雲去執行AI，GPU運算成本甚為昂貴。數據科學家可能先向基建或雲運算操作人員，申請運算能力，用後以後，又要馬上關閉相關的算力。
以Cloud Native方式去配置AI運算能力，最大優點是可充份利用算力，Kubeflow以容器化方式，快速配置最適當的算力，用完後就自動歸還。
數據科學家在設計AI模型時，可能要經常調整多個參數，重複進行訓練，Kubeflow可加快測試不同的訓練方式，例如深度學習的層度，或者平衡AI模型的訓練速度和損失（Loss），以選擇合適的學習率（Learning rate），甚至是選擇不同的優化器（Optimizer），以改善AI模型準確率。
自建管道能力
Kubeflow也可令AI的組件重用。機器學習模型中，有很多移動元件組合在一起，模型才能執行並得到結果。機器學習過程的各個部分結合在一起的過程就被稱建立管道（Pipeline）。
Pipeline是很籠統的概念，並不一定指AI訓練，相等於軟件開發時，不少開發都以Pipeline組成，從建立原始程式碼到發佈，都遵守特定的流程。機器學習構建的Pipeline，數據也是沿著Pipeline流動，從原始格式到變成有用的結論。數據科學家可建立多種機器學習方法Pipeline，以比較各種方法性能。所以，嚴謹的AI訓練的多個步驟，就被包裝成不同Pipeline。
Pipeline每一步輸入資料，都經前一步處理過，再進行下一步的輸入。不過，數據科學家可在Kubeflow，重複使用現成的Pipeline，
數據科學家也須利用不同Pipeline，去測試模型的準確性，然後進一步慢慢調整性能，獲得最合乎理想的結果。訓練AI模型的Pipeline不少可以互相借鑒，甚至借其他Pipeline來微調，加快訓練模型速度。
不少人都以為AI無所不能，但是無論以何種方法，數據都是AI基礎，訓練出準確模型，先決條件是就大量數據，以不同變化數據集測試，才能確保訓練模型能夠符合實際用途。
但是處理的方式，卻是大同小異，Kubeflow可通過共同經驗，加快不同AI模型的訓練。