Una delle più comuni difficoltà legate allo sviluppo dei modelli di data science/apprendimento automatico consiste nella progettazione delle pipeline end-to-end in grado di operare su larga scala e in tempo reale. Ai data scientist e ai tecnici, spesso, è richiesto di apprendere, sviluppare e mantenere l'infrastruttura per i loro esperimenti.
Potrai scoprire anche:
-
L'architettura e l'installazione di Kubeflow
-
Come creare un esperimento di apprendimento automatico per l'orchestrazione end-to-end nella pipeline di Kubeflow
-
I casi correnti di utilizzo di Kubeflow e come i team di altri settori usano il cloud per scalare le loro operazioni di apprendimento automatico