L'un des obstacles les plus courants au développement de modèles de science des données/d'apprentissage automatique est la conception de pipelines de bout en bout qui peuvent fonctionner à grande échelle et en temps réel. Les experts en science des données et les ingénieurs sont souvent tenus d'apprendre, de développer et de maintenir l'infrastructure pour leurs expériences.
Voici quelques points que vous apprendrez :
-
Architecture et installation de Kubeflow
-
Création d'une expérience d'apprentissage automatique d'orchestration de bout en bout dans le pipeline Kubeflow
-
Cas d'utilisation actuels de Kubeflow et comment les équipes d'autres secteurs ont utilisé le cloud pour faire évoluer leurs opérations d'apprentissage automatique