Maschinelles Lernen auf Kubernetes mit Kubeflow

* Skalierbarkeit und Effizienz: Kubeflow ermöglicht es, Maschinenlern-Workflows effizient auf Kubernetes-Clustern zu skalieren. Dies bedeutet, dass Unternehmen problemlos von einzelnen Experimenten zu großen Trainingsjobs übergehen können, ohne die Infrastruktur neu gestalten zu müssen. Kubeflow nutzt die Kubernetes-Skalierbarkeit, um die Arbeitslasten flexibel anzupassen. * Wiederverwendbarkeit von Workflows: Kubeflow Pipelines ermöglichen es, Workflows als Code zu definieren, was ihre Wiederverwendbarkeit und Portabilität erhöht. Dies fördert die Zusammenarbeit im Unternehmen, da Teams ihre ML-Workflows leicht teilen und auf vorhandene Ressourcen aufbauen können. * Konsistente Umgebung: Dank Kubernetes und Containerisierung wird sichergestellt, dass ML-Modelle in einer konsistenten Umgebung trainiert, validiert und bereitgestellt werden. Dies reduziert die Wahrscheinlichkeit von "Works-on-my-machine"-Problemen und erleichtert die Reproduzierbarkeit der Ergebnisse. * Automatisierte Hyperparameter-Optimierung: Kubeflow bietet die Integration von Komponenten wie Katib, die automatische Hyperparameter-Optimierung ermöglichen. Dadurch können Unternehmen schneller bessere Modelle erstellen und die Leistung ihrer Algorithmen verbessern. * Skalierbares Modell-Deployment: Kubeflow erleichtert das Deployment von Modellen in Produktion. Durch die Verwendung von Kubernetes für das Serving können Modelle einfach skaliert werden, um hohe Anforderungen zu erfüllen und die Inference-Leistung zu optimieren. * Monitoring und Auswertung: Kubeflow bietet integrierte Möglichkeiten zur Überwachung und Bewertung von Modellen. Unternehmen können Metriken und Protokolle erfassen, um die Leistung ihrer Modelle im Laufe der Zeit zu verfolgen und Probleme frühzeitig zu erkennen. * Rechenressourcenoptimierung: Mit Kubeflow können Unternehmen die Ressourcen ihrer ML-Jobs besser verwalten und optimieren. Kubernetes ermöglicht es, die Ressourcen genau zu steuern, wodurch Kosten gesenkt werden können. * Technologie-Integration: Kubeflow ist mit einer Vielzahl von Open-Source-Technologien für das Maschinelle Lernen integriert. Dies ermöglicht es Unternehmen, eine breite Palette von Tools und Frameworks zu nutzen, die in der ML-Community weit verbreitet sind.

Hinweis zum Ablauf

Garantierte Durchführung ab 1 Teilnehmenden

Zielgruppe

* Datenwissenschaftler und ML-Ingenieure: Datenwissenschaftler, die für das Entwerfen, Trainieren und Evaluieren von ML-Modellen verantwortlich sind, sowie ML-Ingenieure, die sich auf die Implementierung von ML-Systemen in der Produktion konzentrieren. * Softwareentwickler und DevOps-Teams: Softwareentwickler und DevOps-Teams, die für die Bereitstellung und Verwaltung von Kubernetes-Clustern und Infrastrukturen verantwortlich sind, die für die Ausführung von ML-Workflows erforderlich sind. * Systemadministratoren und IT-Infrastrukturteams: Systemadministratoren und IT-Infrastrukturteams, die die Kubernetes- und Kubeflow-Umgebung verwalten und sicherstellen müssen, dass sie ordnungsgemäß funktioniert. * Datenmanager und Dateninfrastrukturteams: Datenmanager und Dateninfrastrukturteams, die für die Bereitstellung und Verwaltung von Datenpipelines und -speicherung verantwortlich sind, die von den ML-Workflows genutzt werden.

Zielsetzung

Das Seminar soll ihnen zeigen, wie sie ML-Workflows mithilfe von  Kubeflow skalierbar und effizient gestalten können. Dadurch können sie  ihre ML-Infrastruktur verbessern und die Produktivität ihrer  Datenwissenschaftler und Entwickler steigern. Zudem erhalten sie Best  Practices für den Einsatz von Kubernetes und Kubeflow, um Ressourcen  besser zu verwalten und Kosten zu optimieren. Die Schulung fördert auch  die Zusammenarbeit zwischen den Teams, da wiederverwendbare Komponenten  und Code-Definitionen ermöglicht werden.

Hinweis für Menschen mit Behinderungen

Das Schulungszentrum ist barrierefrei, die Schulungen werden auch als Online-Schulung angeboten.

Hinweise zur Prüfung und Zertifikat/Abschluss

Teilnahmebescheinigung und digitales Badge nach dem Kurs

Förderungsmöglichkeiten

Bildungsscheck NRW

Preishinweis

Preis inkl. MwSt. Preisvorteil 3=2: Der Dritte Mitarbeitende nimmt kostenfrei teil.