es una plataforma de aprendizaje autom¨¢tico o machine learning (ML) nativa de Kubernetes que simplifica los ciclos de vida de construcci¨®n, capacitaci¨®n, y despliegue de modelos en diversas infraestructuras. Hemos utilizado ampliamente para codificar flujos de ML para varios modelos a trav¨¦s de casos de uso de experimentaci¨®n, entrenamiento, y servicio. Adem¨¢s de Pipelines, Kubeflow incluye m¨²ltiples , entre los que encontramos muy ¨²til el ajuste de hiperpar¨¢metros con y .
es interesante por dos motivos. El primero es su uso innovador de Operadores Kubernetes, el cual hab¨ªamos destacado en nuestra edici¨®n del Radar de abril 2019. El segundo es que provee una manera de codificar y modelar cargas de trabajo para aprendizaje de m¨¢quinas que facilita trasladarlas de un entorno de ejecuci¨®n a otro. Kubeflow incluye componentes tales como Jupyter notebooks, canalizaciones de datos y herramientas de control. Varios de estos componentes vienen empaquetados como operadores de Kubernetes, para aprovechar su habilidad de reaccionar a los eventos generados por pods mediante la implementaci¨®n de varias fases de la carga de trabajo. Al tomar los programas individuales y los datos y empaquetarlos como contenedores es posible trasladar cargas de trabajo enteras de un entorno a otro. Esto puede resultar conveniente al trasladar una carga de trabajo ¨²til pero computacionalmente exigente y desarrollada en la nube a una supercomputadora personalizada o a un cl¨²ster de unidades de procesamiento tensorial.
