Enable javascript in your browser for better experience. Need to know to enable it? Go here.
更新于 : Apr 26, 2023
不在本期内容中
这一条目不在当前版本的技术雷达中。如果它出现在最近几期中,那么它很有可能仍然具有相关参考价值。如果这一条目出现在更早的雷达中,那么它很有可能已经不再具有相关性,我们的评估将不再适用于当下。很遗憾我们没有足够的带宽来持续评估以往的雷达内容。 了解更多
Apr 2023
Trial ? 值得一试。了解为何要构建这一能力是很重要的。企业应当在风险可控的前提下在项目中尝试应用此项技术。

Kubeflow 是一个Kubernetes 原生的机器学习(ML)平台,它能简化模型生命周期中在不同基础设施上的构建、训练和部署流程。 我们已经大量使用它的 Pipelines 来编码多个模型的包括实验、训练、服务用例的 ML 工作流。除 Pipelines 外, Kubeflow 还带有许多其他的组件, 我们发现其中用于超参数调优的 Katib 组件以及多租户组件都是非常有用的。

Nov 2019
Assess ? 在了解它将对你的企业产生什么影响的前提下值得探索

Kubeflow之所以令人感兴趣,是因为两个原因。首先,它是Kubernetes Operators的创新应用,我们在2019年4月版的技术雷达中对Kubernetes Operators进行了重点介绍。其次,它提供了一种对机器学习工作流进行编码和版本控制的方法,使它可以更容易地从一个执行环境移植到另一个环境。Kubeflow由几个组件组成,包括Jupyter notebooks、数据流水线和控制工具。其中一些组件被打包成为Kubernetes Operators,以利用Kubernetes响应Pod产生的事件的能力,而Pod可以实现工作流的各个阶段。通过将程序和数据打包为容器,可以将整个工作流程从一个环境移植到另一个环境。这有利于将有用但是计算能力要求极高的工作流,从云上转移到自定义超级计算机或者张量处理器(TPU)集群中。

发布于 : Nov 20, 2019

下载第29期技术雷达

English | Español | Português | 中文

获取最新技术洞见

 

立即订阅

查看存档并阅读往期内容