Canonical, Herausgeber von Ubuntu, stellt ab sofort Charmed Kubeflow 1.8 bereit. Charmed Kubeflow ist eine quelloffene, durchgängige MLOps-Plattform. [...]
IT-Fachleute können damit KI/ML-Modelle einfach entwickeln und ausliefern. Sie läuft in jeder Cloud, einschließlich Hybrid-Cloud- oder Multi-Cloud-Szenarien. Diese neueste Version bietet jetzt auch die Möglichkeit, KI/ML-Workloads in ‚Air-Gapped‘-Umgebungen – bei Air Gapping werden Rechner von Netzwerken getrennt und physisch isoliert – auszuführen.
KI-Workloads in isolierten Umgebungen ausführen
MLOps-Plattformen müssen oft mit dem Netzwerk verbunden sein, was für Unternehmen mit strengen Cybersicherheits- und Compliance-Richtlinien problematisch sein kann. Charmed Kubeflow ermöglicht es Nutzern, ihre Workloads offline in einer Air-Gapped-Umgebung zu betreiben, zusätzlich zu öffentlichen Clouds und On-Prem-Rechenzentren.
Mit dieser Funktion bietet Charmed Kubeflow zusätzliche Sicherheit für Unternehmen in stark regulierten Branchen oder bei Projekten, die mit sensiblen Daten zu tun haben. So können sie den größten Teil des maschinellen Lern-Workflows innerhalb eines Tools abwickeln und müssen keine Zeit damit verbringen, Tools zu verbinden und deren Kompatibilität sicherzustellen.
Mehr Möglichkeiten zum Anpassen von MLOps-Tools
Jedes KI-Projekt ist anders, und das gilt auch für die Tools, Frameworks und Bibliotheken, die Unternehmen einsetzen. Während einige herkömmliche Optionen wie Tensorflow oder Pytorch bevorzugen, entscheiden sich andere vielleicht für branchenspezifische Optionen wie Nvidia NeMo. Die Neuerungen von Charmed Kubeflow 1.8 ermöglichen es Anwendern, ihre MLOps-Plattform anzupassen.
So können sie können jedes beliebige Bild in ihr Jupyter Notebook einfügen. Dies gibt ihnen die Wahlfreiheit, ihre bevorzugten Tools und Bibliotheken zu wählen und sich auf die Entwicklung von Machine-Learning-Modellen zu konzentrieren, anstatt ihre Tools zu pflegen. Tools oder Komponenten lassen sich je nach Anwendungsfall ein- und ausblenden, um effizient zu arbeiten.
Dadurch unterscheidet sich Charmed Kubeflow von dem vorgelagerten Projekt. Unternehmen können mit der von Canonical unterstützten Lösung ihre eigenen Notebook-Images hinzufügen und damit Modelle entwickeln. Sie sind so eher in der Lage, über das Experimentieren hinauszugehen.
Produktionsreife Modelle bauen – Experimente reproduzieren
Kubeflow als Projekt wurde entwickelt, um KI skalierend auszuführen. Es kann den gesamten Lebenszyklus des maschinellen Lernens mit einem einzigen Tool ausführen. Kubeflow-Pipelines sind das Herzstück des Projekts, da sie auf die Automatisierung von Machine-Learning-Workloads spezialisiert sind. Dies ist einer der Gründe, warum Unternehmen, die KI-Projekte skalieren möchten, Kubeflow den Vorzug geben gegenüber Alternativen.
Charmed Kubeflow profitiert von den neu eingeführten Kubeflow Pipelines 2.0 des Upstream-Projekts, die den Automatisierungsprozess weiter vereinfachen. Einige Funktionen wie gerichtete azyklische Graphen (directed acyclic graph, DAG) sind bereits seit einiger Zeit in der Betaversion verfügbar, andere Funktionen wurden in Kubeflow 1.8 eingeführt.
Zum Beispiel abstrahiert Kubeflow jetzt das Format der Pipeline-Darstellung, so dass es auf jeder MLOps-Plattform ausgeführt werden kann. Dies führt zu einer reibungsloseren Migration vom Upstream-Projekt zu Distributionen oder Tools, die Enterprise-Support, Sicherheitspatches oder zeitlich begrenzte Fehlerbehebungen anbieten können.
„Ich freue mich, am Kubeflow 1.8-Release der Upstream-Community beteiligt zu sein, und stolz auf das Charmed Kubeflow-Team, das die Veröffentlichung vorangetrieben und auf dem Weg dorthin Feedback gegeben hat“, sagt Kimonas Sotirchos, Working Group Lead in der Kubeflow-Community. „Charmed Kubeflow 1.8 eignet sich gut zum Ausprobieren der neuesten und besten Funktionen von Kubeflow wie KFP V2 und PVC-Browsing – sowohl für Neueinsteiger also auch für erfahrene Nutzer“, ergänzt er.
Be the first to comment