Una delle più comuni difficoltà legate allo sviluppo dei modelli di data science/apprendimento automatico consiste nella progettazione delle pipeline end-to-end in grado di operare su larga scala e in tempo reale. Ai data scientist e ai tecnici, spesso, è richiesto di apprendere, sviluppare e mantenere l'infrastruttura per i loro esperimenti.
In questo laboratorio, Salman discuterà dei vantaggi apportati dall'utilizzo di Kubeflow, una piattaforma open source basata su Kubernetes e progettata per eliminare le complessità legate alle attività non correlate all'apprendimento automatico, consentendo agli sviluppatori di mantenere comunque il controllo delle operazioni.
Potrete scoprire anche:
- L'architettura e l'installazione di Kubeflow
- Come creare un esperimento di apprendimento automatico per l'orchestrazione end-to-end nella pipeline di Kubeflow
- I casi correnti di utilizzo di Kubeflow e come i team di altri settori usano il cloud per scalare le loro operazioni di apprendimento automatico