¨¦ uma plataforma de aprendizado de m¨¢quina (ML) nativa do Kubernetes, que simplifica a cria??o, o treinamento e a implanta??o de ciclos de vida de modelos para infraestruturas diversas. N¨®s utilizamos extensivamente o para codificar fluxos de trabalho de ML para v¨¢rios modelos, cobrindo casos de uso de experimenta??o, treinamento e entrega. Al¨¦m do Pipelines, Kubeflow vem com m¨²ltiplos . Entre estes, achamos o ajuste de hiper-par?metros com o e bastante ¨²teis.
¨¦ interessante por dois motivos. Primeiro, ¨¦ um uso inovador de Kubernetes Operators, que destacamos em nossa edi??o de abril de 2019 do Radar. Segundo, fornece uma maneira de codificar e versionar fluxos de trabalho de aprendizado de m¨¢quina para que eles sejam mais facilmente transportados de um ambiente de execu??o para outro. O Kubeflow consiste de v¨¢rios componentes, incluindo notebooks Jupyter, pipelines de dados e ferramentas de controle. Muitos desses componentes s?o empacotados como operadores Kubernetes para aproveitar a capacidade do Kubernetes de reagir a eventos gerados por pods implementando v¨¢rios est¨¢gios do fluxo de trabalho. Ao empacotar os programas individuais e os dados como cont¨ºineres, fluxos de trabalho inteiros podem ser transportados de um ambiente para outro. Isso pode ser ¨²til quando mover um fluxo de trabalho ¨²til, por¨¦m computacionalmente desafiador e desenvolvido na nuvem, para um supercomputador personalizado ou cluster de uma unidade de processamento tensorial.
