Eine der häufigsten Hürden bei der Entwicklung von Modellen für Data Science/maschinelles Lernen ist die Entwicklung von End-to-End-Pipelines, die skalierbar und in Echtzeit arbeiten können. Von Data Scientists und Data Engineers wird häufig erwartet, dass sie die Infrastruktur für ihre Experimente erlernen, entwickeln und warten.
In dieser Übung wird Salman die Vorteile der Verwendung von Kubeflow erläutern, einer Open-Source-Plattform auf Grundlage von Kubernetes. Diese wurde entwickelt, um nicht auf maschinelles Lernen bezogene Aufgaben zu abstrahieren und Ihnen gleichzeitig die Kontrolle zu geben.
Sie werden unter anderem mehr zu Folgendem erfahren:
- Kubeflow-Architektur und -Installation
- Erstellung eines End-to-End-Experiments für maschinelles Lernen in der Kubeflow-Pipeline
- Aktuelle Anwendungsfälle von Kubeflow und wie Teams aus anderen Branchen die Cloud nutzen, um ihre Abläufe im Bereich maschinelles Lernen zu skalieren