Avis et détails du produit Kubeflow

C'est la capacité de tirer parti de Kubernetes pour gérer le travail d'apprentissage automatique, offrant une évolutivité, une reproductibilité et une flexibilité accrues. Avis collecté par et hébergé sur G2.com.

La configuration initiale et la gestion continue peuvent être complexes et nécessitent des ressources importantes, nécessitant une expertise significative en Kubernetes. Avis collecté par et hébergé sur G2.com.

nos petits flux de travail ETL basés sur CRON sont rapides avec kubeflow Avis collecté par et hébergé sur G2.com.

les opérations intensives en mémoire ne sont pas très faisables pour l'orchestrateur Kubeflow Avis collecté par et hébergé sur G2.com.

J'aime sa portabilité, ce qui facilite le travail avec n'importe quel cluster Kubernetes, que ce soit sur un seul ordinateur ou dans le cloud. Avis collecté par et hébergé sur G2.com.

C'était difficile à configurer initialement, nous devions garder des membres d'équipe dédiés pour le configurer. Avis collecté par et hébergé sur G2.com.

1. Il utilise Kubernetes comme backend.

2. Il adhère aux meilleures pratiques de Mlops et de la containerisation.

3. Une fois qu'un flux de travail est correctement défini, il devient très facile de l'automatiser.

4. Il dispose d'un excellent SDK Python pour concevoir des pipelines.

5. L'interface utilisateur pour utiliser le pipeline Kubeflow est géniale.

6. Il a également affiché tous les journaux. Avis collecté par et hébergé sur G2.com.

1. Courbe d'apprentissage initiale abrupte car elle implique une grande variété de concepts sous un même toit.

2. Donc, l'utilisateur doit avoir des connaissances en dehors des sujets habituels de ML sur la technologie Docker/Container, Kubernetes.

3. Même le processus de configuration initiale n'est pas si intuitif.

4. D'après le matériel disponible dans sa documentation, il semble que le configurer soit relativement facile sur GCP (en fait, je l'ai utilisé uniquement sur GCP). Avis collecté par et hébergé sur G2.com.

Automatise le flux de production d'apprentissage automatique. Kubeflow peut être facilement intégré avec Kubernetes sur de nombreux fournisseurs de cloud différents, tels qu'Amazon Web Service (en utilisant Elastic Kubernetes Service), ou avec Google Cloud (avec Google Kubernetes Engine). Il dispose d'une interface API dans différentes langues, particulièrement facile à intégrer avec Python et les conteneurs Docker. Ce qui aide les utilisateurs à construire leurs propres pipelines d'apprentissage automatique réexécutables et modulaires. Avis collecté par et hébergé sur G2.com.

Pas d'intégration facile avec Terraform et intégration avec les serveurs de noms de domaine sur Amazon Web Service. Ce qui signifie que le déploiement de Kubeflow peut être difficile en fonction de l'apparence de l'infrastructure existante. Si les entreprises ont déjà des modèles existants à intégrer avec Kubeflow qui n'utilisent pas de conteneurs, cela pourrait nécessiter un effort supplémentaire pour les mettre en œuvre, car Kubeflow est mieux utilisé avec des conteneurs Docker et fonctionne sur Kubernetes. Avis collecté par et hébergé sur G2.com.

Scalabilité, portabilité et distribuer. La fonctionnalité tout-en-un de Kubeflow a rendu l'équipe facile à utiliser et a permis de gagner beaucoup de temps. C'est facile à utiliser pour les nouveaux apprenants. Avis collecté par et hébergé sur G2.com.

Il y avait un besoin de fonctionnalité CI/CD pour l'équipe. Sur Kubeflow, la fonctionnalité de CI/CD n'a pas pu être trouvée. Avis collecté par et hébergé sur G2.com.

1. Le kubeflow est basé sur kubernetes, il facilite grandement la mise à l'échelle des modèles et l'équilibrage de charge.

2. Les pipelines sont très élégants et rendent les étapes très claires. Avis collecté par et hébergé sur G2.com.

1. La documentation de Kubeflow est incomplète et certains exemples de codes sources (surtout pour les images Docker) sont difficiles à trouver.

2. Il n'y a pas d'exemples simples de passage de données à différentes étapes dans les pipelines.

3. La courbe d'apprentissage du DSL est élevée pour les data scientists. Avis collecté par et hébergé sur G2.com.

J'aime particulièrement la façon dont il prend en charge tous les cadres de ML disponibles, à commencer par tfx, pytorch, Caffe. Avis collecté par et hébergé sur G2.com.

J'aimerais avoir un magasin de fonctionnalités complet avec des opérations CRUD sur des points de terminaison REST, bien que cela soit en version bêta et sera rapidement publié pour la version stable. Avis collecté par et hébergé sur G2.com.

Pipeline et visualisation et artefacts dans le pipeline Avis collecté par et hébergé sur G2.com.

Écrire du code pour créer un pipeline. Kale est disponible mais on attend une solution native de Kubeflow pour simplifier le flux de travail complet. Il n'y a pas assez de documentation et une simple recherche Google ne fournit pas de solution rapide. Même la communauté Stack Overflow n'est pas développée. Une approche simple basée sur une interface utilisateur pour rendre l'ensemble de la pile facile et accessible est nécessaire. Avis collecté par et hébergé sur G2.com.

C'est la convivialité et le lancement facile de notebooks et la création de modèles sur le cloud ! Kubeflow peut être facilement configuré sur un cloud et de nombreux ingénieurs/scientifiques des données peuvent tirer parti de cela. Avis collecté par et hébergé sur G2.com.

Rien pour le moment. Avis collecté par et hébergé sur G2.com.