Es sind zwei Monate vergangen, seit dieses Profil eine neue Bewertung erhalten hat

Kubeflow Bewertungen & Produktdetails

Kubeflow ist eine Open-Source-Plattform, die entwickelt wurde, um die Bereitstellung, Orchestrierung und Verwaltung von Machine-Learning-Workflows (ML) auf Kubernetes zu erleichtern. Sie bietet eine umfassende Suite von Tools, die den gesamten ML-Lebenszyklus abdecken und es Datenwissenschaftlern und Ingenieuren ermöglichen, Modelle effizient in skalierbaren und portablen Umgebungen zu entwickeln, zu trainieren und bereitzustellen. Hauptmerkmale und Funktionalität: - Kubeflow Notebooks: Bietet webbasierte Entwicklungsumgebungen, wie Jupyter Notebooks, die in Kubernetes-Pods laufen und interaktive Modellentwicklung ermöglichen. - Kubeflow Pipelines: Ermöglicht die Erstellung und Bereitstellung portabler, skalierbarer ML-Workflows mit Kubernetes und fördert Konsistenz und Reproduzierbarkeit. - Kubeflow Trainer: Unterstützt verteiltes Training über verschiedene KI-Frameworks, einschließlich PyTorch, Hugging Face, DeepSpeed, MLX, JAX und XGBoost, und erleichtert das Training von groß angelegten Modellen. - Kubeflow Katib: Bietet automatisierte Machine-Learning-Funktionen, einschließlich Hyperparameter-Tuning, frühem Abbruch und neuronaler Architektursuche, um die Modellleistung zu optimieren. - Kubeflow KServe: Liefert eine standardisierte Plattform für das Bereitstellen von ML-Modellen über mehrere Frameworks hinweg und gewährleistet skalierbare und effiziente Modellinferenz. - Kubeflow Model Registry: Dient als zentrales Repository zur Verwaltung von ML-Modellen, Versionen und zugehörigen Metadaten und überbrückt die Lücke zwischen Modellentwicklung und Produktionseinsatz. Primärer Wert und gelöstes Problem: Kubeflow adressiert die Komplexitäten, die mit der Bereitstellung und Verwaltung von ML-Workflows verbunden sind, indem es die Skalierbarkeit und Portabilität von Kubernetes nutzt. Es abstrahiert die Komplexität der Containerisierung, sodass Benutzer sich auf den Aufbau, das Training und die Bereitstellung von Modellen konzentrieren können, ohne sich um die zugrunde liegende Infrastruktur kümmern zu müssen. Durch die Automatisierung verschiedener Phasen des ML-Lebenszyklus verbessert Kubeflow die Reproduzierbarkeit, Effizienz und Zusammenarbeit zwischen Datenwissenschaftlern und Ingenieuren und beschleunigt letztendlich die Entwicklung und Bereitstellung von Machine-Learning-Lösungen.

Verkäufer

Kubeflow

Diskussionen

Kubeflow Community

Wert auf einen Blick

Durchschnittswerte basierend auf echten Nutzerbewertungen.

Wahrgenommene Kosten

$$$$$

Weitere Preisinformationen anzeigen

Top-bewertete Alternativen

Alle Alternativen anzeigen

G2-Bewertungen sind authentisch und verifiziert.

Hier die Erklärung wie dies gewährleistet ist.

Prashanth B.

Research Associate

Forschung

Kleinunternehmen (50 oder weniger Mitarbeiter)

15.8.2025

"Forschungsassistent"

5/5

Was gefällt dir am besten Kubeflow?

Es ist in der Lage, Kubernetes zu nutzen, um maschinelles Lernen zu verwalten, was Skalierbarkeit, reproduktives Bauen und Flexibilität bietet. Bewertung gesammelt von und auf G2.com gehostet.

Was gefällt Ihnen nicht? Kubeflow?

Die anfängliche Einrichtung und laufende Verwaltung von 10 erfordert erhebliche Kubernetes-Expertise, da sie komplex und ressourcenintensiv ist. Bewertung gesammelt von und auf G2.com gehostet.

Aditya K.

DevOps Engineer

Unternehmen (> 1000 Mitarbeiter)

2.8.2025

"Kubeflow erleichtert das Ausführen von schnellen Batch-Prozessen auf der Kubernetes-Plattform."

5/5

Was gefällt dir am besten Kubeflow?

unsere kleinen CRON-basierten ETL-Workflows sind schnell mit Kubeflow Bewertung gesammelt von und auf G2.com gehostet.

Was gefällt Ihnen nicht? Kubeflow?

Speicherintensive Operationen sind für den Kubeflow-Orchestrator nicht sehr machbar. Bewertung gesammelt von und auf G2.com gehostet.

Barkath U.

Senior Process Associate

Unternehmen (> 1000 Mitarbeiter)

31.7.2024

"Kuberflow Bewertung"

4/5

Was gefällt dir am besten Kubeflow?

Ich mag die Portabilität, die es einfacher macht, mit jedem Kubernetes-Cluster zu arbeiten, sei es auf einem einzelnen Computer oder in der Cloud. Bewertung gesammelt von und auf G2.com gehostet.

Was gefällt Ihnen nicht? Kubeflow?

Es war anfangs schwierig einzurichten, wir mussten engagierte Teammitglieder dafür abstellen. Bewertung gesammelt von und auf G2.com gehostet.

Akash D.

Senior Data Engineer

Kleinunternehmen (50 oder weniger Mitarbeiter)

22.7.2021

"Großartiges Orchestrierungswerkzeug, das alle MLOps-Best-Practices einhält."

4/5

Was gefällt dir am besten Kubeflow?

1. Es verwendet Kubernetes als Backend.

2. Es hält sich an die besten Praktiken von Mlops und Containerisierung.

3. Sobald ein Workflow richtig definiert ist, wird es sehr einfach, ihn zu automatisieren.

4. Es hat ein großartiges Python SDK, um Pipelines zu entwerfen.

5. Das Frontend/UI zur Nutzung der Kubeflow-Pipeline ist großartig.

6. Es zeigte auch alle Protokolle an. Bewertung gesammelt von und auf G2.com gehostet.

Was gefällt Ihnen nicht? Kubeflow?

1. Anfangs steile Lernkurve, da es viele verschiedene Konzepte unter einem Dach vereint.

2. Der Benutzer muss neben den üblichen ML-Themen auch Kenntnisse über Docker/Container-Technologie und Kubernetes haben.

3. Selbst der anfängliche Einrichtungsprozess ist nicht so intuitiv.

4. Basierend auf dem verfügbaren Material in der Dokumentation scheint die Einrichtung auf GCP vergleichsweise einfach zu sein (tatsächlich habe ich es nur auf GCP verwendet). Bewertung gesammelt von und auf G2.com gehostet.

Empfehlungen an andere, die in Betracht ziehen Kubeflow:

1. Wenn Sie bereits Kubernetes verwenden, wird das Hinzufügen von Kubeflow zu Ihrem Stack Ihre Workflows beschleunigen.

2. Sie müssen den Microservice-Ansatz anpassen, der Ihnen auf lange Sicht definitiv Vorteile bringen wird.

3. Aber seien Sie auf die anfängliche steile Lernkurve und den nicht so einfachen Einrichtungsprozess vorbereitet. Bewertung gesammelt von und auf G2.com gehostet.

Was ist ein Problem? Kubeflow Solving und wie profitieren Sie davon?

1. One-Stop-Shop zur Orchestrierung jedes Workflows mit Kubernetes.

2. Wir nutzten Kubernetes bereits vor Kubeflow als Backend und nicht alle ML-Ingenieure waren damit vertraut. Kubeflow löste dieses Problem, da es ebenfalls Kubernetes als Backend verwendet, aber auch eine benutzerfreundliche UI zur Steuerung von Workflows bietet.

3. Wir verwenden Kubeflow hauptsächlich für alle unsere Anwendungsfälle im Bereich Computer Vision.

4. Es umfasst Training, Inferenz und sogar internen Service. Für externe Kunden hatten wir eine intern entwickelte Servier-Infrastruktur.

5. Nach der Anpassung an Kubeflow mussten wir auch den Microservice-Ansatz anpassen, was sich als Glücksfall erwies. Bewertung gesammelt von und auf G2.com gehostet.

Li R.

Software Engineer

Unternehmen (> 1000 Mitarbeiter)

10.7.2021

"Kubeflow für ML"

4/5

Was gefällt dir am besten Kubeflow?

Automatisiert den Ablauf von Produktions-Maschinellem Lernen. Kubeflow kann leicht mit Kubernetes auf vielen verschiedenen Cloud-Anbietern integriert werden, wie zum Beispiel Amazon Web Service (unter Verwendung von Elastic Kubernetes Service) oder mit Google Cloud (mit Google Kubernetes Engine). Es hat eine API-Schnittstelle in verschiedenen Sprachen, besonders einfach zu integrieren mit Python und Docker-Containern. Dies hilft Benutzern, ihre eigenen wiederholbaren und steckbaren maschinellen Lernpipelines zu erstellen. Bewertung gesammelt von und auf G2.com gehostet.

Was gefällt Ihnen nicht? Kubeflow?

Keine einfache Integration mit Terraform und Integration mit Domain-Name-Servern auf Amazon Web Service. Das bedeutet, dass die Bereitstellung von Kubeflow schwierig sein kann, abhängig davon, wie die bestehende Infrastruktur aussieht. Wenn Unternehmen bereits bestehende Modelle zur Integration mit Kubeflow haben, die keine Container verwenden, könnte es zusätzlichen Aufwand erfordern, diese zu implementieren, da Kubeflow am besten mit Docker-Containern verwendet wird und auf Kubernetes läuft. Bewertung gesammelt von und auf G2.com gehostet.

Empfehlungen an andere, die in Betracht ziehen Kubeflow:

Kubeflow ist eine der Technologien, die am besten mit Kubernetes funktioniert, und eine der neueren maschinellen Lerntechnologien, die den Aufbau von Pipelines unterstützt, was traditionell im Bereich des maschinellen Lernens schwierig war. Bewertung gesammelt von und auf G2.com gehostet.

Was ist ein Problem? Kubeflow Solving und wie profitieren Sie davon?

Produktions-Machine-Learning-Probleme können mit Kubeflow sowie mit dem Erstellen von Pipelines gelöst werden. Die Vorteile von Kubeflow sind Benutzerfreundlichkeit, eine zentralisierte Benutzeroberfläche und die einfache Integration mit Docker-Technologien. Für Datenwissenschaftler, die nicht viel Code schreiben möchten, bietet Kubeflow eine angenehme Möglichkeit, Experimente durchzuführen und zu wiederholen, Modelle zu trainieren, Modelle zu veröffentlichen sowie Pipelines zu verwalten. Bewertung gesammelt von und auf G2.com gehostet.

Motilal S.

Group Leader, Data Scientist

Unternehmen (> 1000 Mitarbeiter)

17.7.2021

"Kubeflow als skalierbare, portable und verteilte ML-Plattform"

5/5

Was gefällt dir am besten Kubeflow?

Skalierbarkeit, Portabilität und verteilen. Das All-in-One-Feature von Kubeflow hat es dem Team leicht gemacht zu verwenden und hat viel Zeit gespart. Dies ist einfach zu verwenden für neue Lernende. Bewertung gesammelt von und auf G2.com gehostet.

Was gefällt Ihnen nicht? Kubeflow?

Es gab ein Bedürfnis nach einer CI/CD-Funktion im Team. In Kubeflow konnte die CI/CD-Funktion nicht gefunden werden. Bewertung gesammelt von und auf G2.com gehostet.

Empfehlungen an andere, die in Betracht ziehen Kubeflow:

Früher hatte ich Airflow in Kombination mit anderer Software verwendet, um denselben Zweck zu erfüllen. Mit Kubeflow ist das Leben jedoch viel einfacher geworden, dank seiner umfangreichen Funktionen für die Entwicklung und Bereitstellung von ML-Modellen. Bewertung gesammelt von und auf G2.com gehostet.

Was ist ein Problem? Kubeflow Solving und wie profitieren Sie davon?

Automatisierung von ML-Modellen. Für die Entwicklung eines ML-Workflowsystems. Auch für die Erstellung eines ML-Systems mit all seinen Komponenten. Dies hat viel Zeit und Energie für Modellarchitekten und Modellentwickler gespart. Bewertung gesammelt von und auf G2.com gehostet.

Verifizierter Benutzer in Computersoftware

Unternehmen (> 1000 Mitarbeiter)

27.7.2021

"Erfahrung in der Erkundung von Kubeflow-Pipelines für die Modellbereitstellung"

5/5

Was gefällt dir am besten Kubeflow?

1. Das Kubeflow basiert auf Kubernetes, es macht das Skalieren von Modellen und den Lastenausgleich ziemlich einfach.

2. Die Pipelines sind sehr elegant und machen die Phasen sehr klar. Bewertung gesammelt von und auf G2.com gehostet.

Was gefällt Ihnen nicht? Kubeflow?

1. Die Dokumentation von Kubeflow ist unvollständig und einige Beispiele für Quellcodes (insbesondere für Docker-Images) sind schwer zu finden.

2. Es gibt keine einfachen Beispiele für die Datenübergabe in verschiedenen Phasen der Pipelines.

3. Die Lernkurve der DSL ist für Datenwissenschaftler hoch. Bewertung gesammelt von und auf G2.com gehostet.

Empfehlungen an andere, die in Betracht ziehen Kubeflow:

Kubeflow ist eine großartige Plattform für die Bereitstellung von Modellen, und es gibt eine gewisse Lernkurve für Datenwissenschaftler. Bewertung gesammelt von und auf G2.com gehostet.

Was ist ein Problem? Kubeflow Solving und wie profitieren Sie davon?

Unser Team erkundet verschiedene Plattformen, um den Modus für die Produktion bereitzustellen, und möchte die am besten geeignete Plattform finden. Der größte Vorteil von Kubeflow ist, dass es auf Kubernetes basiert, was den Lastenausgleich ziemlich einfach macht. Bewertung gesammelt von und auf G2.com gehostet.

Saradindu S.

Machine Learning Engineer

Kleinunternehmen (50 oder weniger Mitarbeiter)

26.7.2021

"Schnellste Bereitstellung von ML-Systemen"

4.5/5

Was gefällt dir am besten Kubeflow?

Ich mag besonders, wie es alle verfügbaren ML-Frameworks unterstützt, angefangen bei TFX, PyTorch, Caffe. Bewertung gesammelt von und auf G2.com gehostet.

Was gefällt Ihnen nicht? Kubeflow?

Ich würde es lieben, einen voll ausgestatteten Feature-Store mit CRUD-Operationen über REST-Endpunkte zu haben, obwohl das in der Beta-Phase ist und schnell für die stabile Version veröffentlicht wird. Bewertung gesammelt von und auf G2.com gehostet.

Empfehlungen an andere, die in Betracht ziehen Kubeflow:

Es ist nützlich, Kubeflow in Verbindung mit anderen AI/ML-Produkten der Google Cloud Platform zu verwenden, dann kommt Kubeflow wirklich zur Geltung. Es gibt auch eine voll ausgestattete Enterprise-Version in GCP, Vertex AI. Bewertung gesammelt von und auf G2.com gehostet.

Was ist ein Problem? Kubeflow Solving und wie profitieren Sie davon?

Ich verwende Kubleflow als Hauptplattform für MLOps, um ML-Modelle mit minimaler Latenz schnell in der Produktion bereitzustellen. Bewertung gesammelt von und auf G2.com gehostet.

Verifizierter Benutzer in Computerhardware

Unternehmen (> 1000 Mitarbeiter)

11.7.2021

"Die Suche in Support und Dokumentation muss sich verbessern."

3.5/5

Was gefällt dir am besten Kubeflow?

Pipeline und Visualisierung und Artefakte innerhalb der Pipeline Bewertung gesammelt von und auf G2.com gehostet.

Was gefällt Ihnen nicht? Kubeflow?

Code schreiben, um eine Pipeline zu erstellen. Kale ist verfügbar, aber es wird eine native Lösung von Kubeflow erwartet, um den gesamten Workflow zu vereinfachen. Es gibt nicht genügend Dokumentation und eine einfache Google-Suche liefert keine schnelle Lösung. Auch die Stackoverflow-Community ist nicht entwickelt. Ein einfacher, UI-basierter Ansatz, um den gesamten Stack einfach und zugänglich zu machen, ist erforderlich. Bewertung gesammelt von und auf G2.com gehostet.

Empfehlungen an andere, die in Betracht ziehen Kubeflow:

Seien Sie gründlich mit Kubernetes und fest mit den FAQ und der Fehlerbehebung. Seien Sie bereit, einfache Operationen zu programmieren und separate Fachexperten (SMEs) für Kubeflow zu entwickeln, da ein Data Scientist und ein Machine Learning Engineer möglicherweise nicht die richtige Wahl dafür sind. Bewertung gesammelt von und auf G2.com gehostet.

Was ist ein Problem? Kubeflow Solving und wie profitieren Sie davon?

Erstellen von wiederverwendbaren Pipelines. Verwenden Sie Katib zur Abstimmung von Hyperparametern und führen Sie mehrere Experimentläufe mit sich ändernden Parametern durch und speichern Sie diese Läufe. Bewertung gesammelt von und auf G2.com gehostet.

Shivam A.

MLOps Engineer (GreenLake Developer)

Unternehmen (> 1000 Mitarbeiter)

15.7.2021

"Erstaunliches Werkzeug!"

5/5

Was gefällt dir am besten Kubeflow?

Es ist die Benutzerfreundlichkeit und das einfache Starten von Notebooks sowie das Erstellen von Modellen in der Cloud!

Kubeflow kann problemlos in der Cloud eingerichtet werden, und viele Dateningenieure/-wissenschaftler können dies nutzen. Bewertung gesammelt von und auf G2.com gehostet.

Was gefällt Ihnen nicht? Kubeflow?

Nichts im Moment.

UI kann ein wenig verbessert werden. Bewertung gesammelt von und auf G2.com gehostet.

Empfehlungen an andere, die in Betracht ziehen Kubeflow:

Es wird allen Unternehmen, die auf die Cloud-Plattform umsteigen oder aufbauen, sehr empfohlen. Bewertung gesammelt von und auf G2.com gehostet.

Was ist ein Problem? Kubeflow Solving und wie profitieren Sie davon?

Wir bauen eine Pipeline damit, in der wir unsere internen Unternehmensdienste bereitstellen, und dann können Endbenutzer wie Dateningenieure/-wissenschaftler diese Dienste nutzen, um Modelle zu erstellen. Bewertung gesammelt von und auf G2.com gehostet.