周末看到一个很好的片子，非常适合我这种AI/ML的小白用户，便于比较快速的弄清楚这个领域涉及的内容和OpenShift的定位。
这篇文章就把主要的关键点和自己的理解记录如下，供自己参考。
首先，在AI的领域中，模型只是很小的一块，需要依赖于外部很多的技术
机器学习各个阶段的分工和角色划分
1.模型和验证(数据科学家)
技术领域中涉及的模块
整个模块中，数据科学家的关注点（标记浅红色的部分)
这个过程是一个迭代的过程
Jupyter在这个过程中的定位
这个过程的核心瓶颈
在模型开始阶段，因为涉及到多租户方式使用，需要自服务，需要可以重复和共享的环境，需要可以重复共享的经验，以及如何利用GPU资源提速。
在生产阶段，更快的发布和扩展，如何利用GPU资源提速。
2.环境建立和共享
开始阶段，自然而然的变成容器化模式，进而形成多租户的Jupyter as Service
3.模型部署和运行
而在投产阶段，更快速的形成镜像进行运行和Scale out
OpenDataHub项目覆盖的内容
OpenShift的OpenDataHub项目就是利用这些开源的技术和项目在底层平台上利用Operator形成了自动化的部署和生命周期的管理。
OpenDataHub的架构
目前,版本是1.1.0,目前支持的项目如下，我在Lab环境中尝试安装了JupyterHub和Spark Cluster, 因为消耗资源比较多所以实验环境被停止了 ：(
总体说来，主要价值点在：
- 数据的供应：包括数据存储，数据移动，数据响应
- AI/ML框架支持：各类开源框架基于Operator的部署
- GPU算力支持：支持MIG, 资源共享和资源的控制
- 网络优化：SR-IOV的高性能
总体来说，可以参考这张图
