用途：当用户需要把机器学习工作负载部署到托管平台、Kubernetes、无服务器系统、GPU/TPU 供应商或湖仓环境时使用，也用于扩展与成本优化。
主要能力：按需求（训练或推理、批处理或在线、延迟 SLO、吞吐、模型大小、数据引力、合规、区域、硬件、团队经验、预算）给出平台选型建议，覆盖 AWS SageMaker、GCP Vertex AI、Azure ML、Databricks、EKS/GKE/AKS 上的 Kubeflow/KServe/Seldon/Ray/Triton、Modal、Replicate、Cloud Run、Lambda、Lambda Labs、RunPod、Anyscale 等。提供 AWS CLI（aws sagemaker、aws sagemaker-runtime）、gcloud ai、az ml、mlflow、kubectl 等命令示例，以及端点配置、训练作业、模型注册、部署与调用流程。
使用方式：先明确工作负载需求，再选择托管服务、Kubernetes 或虚拟机；按资料中的命令与 YAML 配置创建域、计算资源、训练作业、模型、端点并测试。硬件选择按瓶颈匹配 CPU、T4/L4/A10、A100/H100/H200/B200、TPU、Inferentia/Trainium；端点设计需定义请求/响应模式、超时、鉴权、限流、自动扩缩、健康检查、日志与回滚，生产环境用金丝雀或蓝绿发布。
适用场景：托管生命周期、湖仓/Spark 机器学习、Kubernetes 控制、无服务器 GPU、灵活 GPU 租赁、Ray 原生扩展。
限制：资料未提供具体收费、价格与效果数据；部分平台能力与硬件支持取决于框架和算子成熟度，需自行验证。安全合规方面建议使用私有网络、密钥管理、最小权限、加密、容器扫描，避免在镜像中写入凭据。