知名音乐流媒体服务平台Spotify在之前北美Kubcon大会上，对外分享自家机器学习平台的发展历程，并首度公开了2020年要上线的第三代机器学习平台架构，采用了Kubeflow，改以K8s来作为算机器学习运算资源的主要调度平台。Sptify经常需进行大量机器学习训练和推论，来分析音乐风格和提供用户各种个性化音乐推荐。2018年，Spotify利用开源技术，后端采用Scala语言，再搭配Python相关工作流程工具，创建了第一代的机器学习平台，方便分析团队快速进行各种ML项目。
第一代的特性是提供了一系列的选项套餐，方便项目人员运用到不同需求的机器学习应用。但是Scale语言对资料分析人员来说太难，前后端技术的切换成了不少项目开发的困扰，要统一不同模组间的功能、版本和配置难度也颇高。所以，2019年Spotify团队决定，改用Google的Tensorflow Extended（TFX）工具，建立机器学习项目开发的标准化，从储存形式、预设函式库、到ML工作流程都有一套制式作业规范，尤其尽量采用Tensoflow扩充元件如Tensorflow Transform、Tensorflow Model Analysis、Tensorflow Serving等，来建立跨团队的共用标准。最近，Spotify决定，进一步连ML工作流程和运算资源都进一步建立标准化，开始导入了Kubeflow Pipelines（KFP）。这个架构会将主要的运算元件先打包成Docker化容器应用，再利用Kubernetes来部署容器应用以及调度运算资源，来支持庞大运算所需。Spotify表示，先前为了标准化而改用TFX的各种努力，成了后来导入KFP流程的成功关键，分析团队不用重新学习另一套ML任务的管理方式。另一个KFP的好处是，其SDK允许建立共享的元件，分享给其他流程之用。因此，Spofity产品主管Josh Baer撰文透露，其中一个团队建立了一段不错的流程和元件组合，可以分享给其他团队使用，不用重复造轮子，更有助于建立所有团队的共通工作流程范本。下一步，Spofity将进一步发展成分析特征的共享化，将重要的ML功能变成内部共享的微服务，来加快组合运用的方便性，目前他们正在进行机器学习模型服务化的设计。https://www.ithome.com.tw/news/135021
