在2015年的联合国气候变化大会上，195个国家签署了《巴黎协定》，这是一项在全球范围内减少温室气体排放的协议。该协议的长期目标是将全球温度的上升限制在工业化前水平的2摄氏度以下，并最终在21世纪下半叶达到全球净零排放。随着全球电力消耗预计在2050年翻倍，许多组织已经开始过渡到成为净零排放企业。
以石油巨头著称的壳牌公司近年来已将其重点从化石燃料扩展到绿色和可再生能源，如风能和太阳能。据壳牌公司机器学习平台技术主管Alex Iankoulski说，该公司的目标是在2030年前通过其可再生和能源解决方案倡议（以前的新能源）为发展中国家的1亿人提供可靠的电力供应。
壳牌正在投资于低碳技术，包括风能和太阳能等可再生能源，电动汽车充电和氢气充电等移动性方案，以及互联的电网。壳牌正在为其新能源业务每年投资多达20亿美元，该业务专注于开发更清洁的能源解决方案。
——Alex Iankoulski，Shell
为了有效运营其可再生和能源解决方案，包括向客户分配电力，壳牌需要一个智能、快速和灵活的控制系统。更重要的是，该系统必须能够利用人工智能（AI），以便有效地管理计算和存储资源。
壳牌公司的能源供应链
壳牌公司依靠Arrikto的MLOps平台来使用Kubeflow，这是一个开源项目，
旨在使Kubernetes上的机器学习（ML）工作流可移植和可扩展
。此外，建立在Kubernetes之上将使壳牌公司能够在容器的帮助下快速启动和关闭环境。“Kubernetes和机器学习的结合实际上是天作之合，”Arrikto的社区和营销副总裁Jimmy Guerrero解释说。
首先，
容器允许我们在笔记本电脑上创建测试和试验机器学习模型
。我们非常清楚，我们可以使用容器将这些相同的模型带到生产中。这里的想法并不新鲜——我们想一次编写，复制，然后到处运行。
其次，
笔记本电脑上的机器学习工作流程可能完全用一种语言编写
，比如说Python，但当我们把这些模型带到生产中时，我们可能会想与各种不同的服务和应用程序进行交互。这些都是像数据管理、安全、前端可视化等方面的东西，在这里我们可能想采用一个基于微服务的架构。在这里，对我们来说用Kubernetes来实现是一件轻而易举的事情。
——Jimmy Guerrero，Arrikto
然而，大规模部署人工智能并非没有问题。根据Alex的描述，在为壳牌的可再生和能源解决方案建立基础时，存在多种技术挑战。
-
基础设施需要是云原生的且与云厂商无关的。通过这种方式，如果平台必须在不同的云服务上或同时在多个云服务上运行，代码就不需要重写了。
-
部署必须是可重复的、可审计的和可逆的，使开发人员能够检查公司系统中运行的内容以及它是如何被部署到那儿的。
-
扩展性要保证系统能够运行在各种不同大小规模的硬件和集群中。软件应该在一台笔记本电脑上和大型云服务中运行良好。
-
工具应该是基于网络和自我服务的，使运营团队能够专注于自动化，而不是重复的手工任务。
-
计算资源必须是动态分配的。在计算资源上运行的工作负载应该是有弹性的和可重复的。
-
存储必须是高速和具有成本效益的，以实现存储和计算资源的解耦。
-
数据在任何时候都是安全的，但对授权用户是可用的。它还应该是版本化的，因此可以跟踪变化并在必要时进行恢复。安全必须是端到端的企业级。
-
编排必须是透明的，不会对用户造成干扰。
