Kubeflow
PulseAugur coverage of Kubeflow — every cluster mentioning Kubeflow across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
Canonical Managed Kubeflow 在 Azure 上线
Canonical Ltd. 在 Microsoft Azure 上线了其托管 Kubeflow 服务，提供了一个简化的机器学习运营平台。这项托管服务旨在通过处理基础设施和运营复杂性来简化 Kubeflow（一个用于机器学习工作流的开源平台）的部署和管理。该产品被定位为自管 Kubeflow 部署的替代方案，并与 Red Hat 的 OpenShift 等其他基于 Kubernetes 的托管机器学习平台竞争。
-
构建生产级医疗AI的指南，侧重于失败处理
本文提供了构建生产级AI系统的全面指南，特别是在医疗保健领域。它强调“为失败而设计”的方法，超越了单纯的演示，实现了健壮的实施。该指南涵盖了从初始问题构建、确保数据管道中的HIPAA合规性，到为安全可靠的AI部署建立必要护栏的关键方面。
-
Kubeflow：评估其在现代MLOps和GitOps中的作用
本文讨论了Kubeflow，一个专为Kubernetes上的机器学习运维（MLOps）设计的开源平台。文章探讨了Kubeflow的功能及其在GitOps框架内的潜在作用，并考虑了其以声明式方式管理ML工作流的适用性。作者旨在阐明Kubeflow是什么，并评估其在现代MLOps实践中的相关性。
-
MLOps 指南详述框架、工作流和实时 AI 部署
这组文章聚焦于机器学习运维 (MLOps)，详细介绍了管理机器学习生命周期所需的完整框架和工作流。文章涵盖了构建持续交付和自动化流水线、实时部署 AI 以及管理 ML 实验。它们还触及了 MLOps 从传统 DevOps 的演变，强调了在生产环境中部署包括大型语言模型 (LLM) 在内的 ML 模型所需的专业技能。
-
Kubeflow 流水线自动化模型训练、验证和部署
本文详细介绍了使用 Kubeflow 构建完整 MLOps 流水线的流程。它侧重于自动化整个工作流程，从训练机器学习模型到注册模型、验证其性能，最后将其部署到生产环境。该指南旨在为实现模型生命周期管理的全面自动化提供实际的实现方法。
-
数据科学家可以通过数据和苏格拉底式提问在没有权威的情况下施加影响
Eugene Yan 的文章为数据科学家在没有正式权力的情况下影响决策提供了策略，强调了数据的使用和苏格拉底式方法。他建议利用定量和定性数据来展示提案的价值，并采用深思熟虑的提问来引导同事找到解决方案。Yan 还提倡通过一对一的对话和书面备忘录来推广想法，以促进认同并避免防御心理。
-
Ubuntu 19.10 增强 AI/ML 开发和边缘 Kubernetes
Canonical 发布了 Ubuntu 19.10，重点在于增强 AI/ML 开发和边缘计算能力。此次更新通过 MicroK8s 改进了对边缘 Kubernetes 的支持，并集成了 Kubeflow 以支持机器学习工作流。此外，它还提供了更好的多云基础设施经济性以及改进的桌面体验，包括性能增强和实验性的 ZFS 支持。