Kubernetes Best Practices, 2. Auflage

Kapitel 14. Maschinelles Lernen in Kubernetes ausführen

Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: [e-mail]

Das Zeitalter der Microservices, verteilten Systeme und der Cloud hat die perfekten Voraussetzungen für die Demokratisierung von Machine-Learning-Modellen und -Werkzeugen geschaffen. Skalierbare Infrastrukturen sind inzwischen ein Massenprodukt, und die Werkzeuge rund um das Ökosystem des maschinellen Lernens sind ausgereift. Kubernetes ist eine derPlattformen, die bei Entwicklern, Datenwissenschaftlern und der breiteren Open-Source-Gemeinschaft immer beliebter wird, da sie die perfekte Umgebung für den Workflow und den Lebenszyklus des maschinellen Lernens darstellt. Große Machine-Learning-Modelle wie GPT-4 und DALL-E haben das maschinelle Lernen ins Rampenlicht gerückt, und Organisationen wie OpenAI haben ihre Nutzung von Kubernetes zur Unterstützung dieser Modelle sehr öffentlich gemacht. In diesem Kapitel werden wir erläutern, warum Kubernetes eine großartige Plattform für maschinelles Lernen ist, und bewährte Methoden für Cluster-Administratoren und Datenwissenschaftler vorstellen, wie sie das Beste aus Kubernetes herausholen können, wenn sie maschinelles Lernen betreiben. Dabei konzentrieren wir uns auf Deep Learning und nicht auf traditionelles maschinelles Lernen, denn Deep Learning hat sich auf Plattformen wie Kubernetes schnell zu einem Bereich der Innovation entwickelt.

Warum ist ...