Reseñas y detalles del producto de Charmed Kubeflow

Me gusta la portabilidad de esto, lo que facilita trabajar con cualquier clúster de Kubernetes, ya sea en una sola computadora o en la nube. Reseña recopilada por y alojada en G2.com.

Fue difícil de configurar inicialmente, tuvimos que mantener a miembros del equipo dedicados para configurarlo. Reseña recopilada por y alojada en G2.com.

1. Utiliza Kubernetes como backend.

2. Se adhiere a las mejores prácticas de Mlops y contenedorización.

3. Una vez que un flujo de trabajo está correctamente definido, se vuelve muy fácil automatizarlo.

4. Tiene un excelente SDK de Python para diseñar la tubería.

5. El Front end/UI para usar la tubería de Kubeflow es impresionante.

6. También mostró todos los registros. Reseña recopilada por y alojada en G2.com.

1. Curva de aprendizaje inicial pronunciada ya que implica una gran variedad de conceptos bajo un mismo techo.

2. Entonces, el usuario debe tener conocimientos aparte de las cosas habituales de ML sobre tecnología Docker/Contenedores, Kubernetes.

3. Incluso el proceso de configuración inicial no es tan intuitivo.

4. Basado en el material disponible en su documentación, parece que configurarlo es comparativamente fácil en GCP (de hecho, solo lo he usado en GCP). Reseña recopilada por y alojada en G2.com.

Automatiza el flujo de aprendizaje automático de producción. Kubeflow se puede integrar fácilmente con Kubernetes en muchos proveedores de nube diferentes, como Amazon Web Service (usando Elastic Kubernetes Service) o con Google Cloud (con Google Kubernetes Engine). Tiene una interfaz API en diferentes idiomas, especialmente fácil de integrar con Python y contenedores Docker. Lo que ayuda a los usuarios a construir sus propias canalizaciones de aprendizaje automático reutilizables y conectables. Reseña recopilada por y alojada en G2.com.

No hay una fácil integración con Terraform y la integración con servidores de nombres de dominio en Amazon Web Service. Lo que significa que desplegar Kubeflow puede ser difícil dependiendo de cómo se vea la infraestructura existente. Si las empresas ya tienen modelos existentes para integrar con Kubeflow que no utilizan contenedores, podría costar un esfuerzo adicional implementarlos, ya que Kubeflow se utiliza mejor con contenedores Docker y se ejecuta en Kubernetes. Reseña recopilada por y alojada en G2.com.

Escalabilidad, portabilidad y distribuir. La característica todo en uno de Kubeflow ha facilitado el uso para el equipo y ha ahorrado mucho tiempo. Esto es fácil de usar para los nuevos aprendices. Reseña recopilada por y alojada en G2.com.

Había una necesidad de la función de CI/CD para el equipo. En Kubeflow no se pudo encontrar la función de CI/CD. Reseña recopilada por y alojada en G2.com.

1. The kubeflow is based on kubernetes, it makes the scaling of models and load balancer quite easy

2. The pipelines are very elegant and make the stages very clear Reseña recopilada por y alojada en G2.com.

1. The documents of kubeflow is incomplete and some examples of source codes ( especially for docker images ) are difficult to find

2. There are no simple examples of data passing in different stages in the pipelines

3. The learning curve of DSL is high for data scientists Reseña recopilada por y alojada en G2.com.

Me gusta especialmente cómo admite todos los marcos de aprendizaje automático disponibles, comenzando desde tfx, pytorch, Caffe. Reseña recopilada por y alojada en G2.com.

Me encantaría tener una tienda de características completa con operación CRUD sobre endpoints REST, aunque eso está en fase beta y se lanzará rápidamente para la versión estable. Reseña recopilada por y alojada en G2.com.

Pipeline and visualization and artifacts within the pipeline Reseña recopilada por y alojada en G2.com.

Writing code to create Pipeline. Kale is available but expect a Kubeflow ' s native soltuion to simplify the complete workflow. There is not enough documentation and a simple Google search doesn't provide a quick solution. Even stackoverflow community is not developed. A simple UI based approach to make the complete stack easy and accessible is required. Reseña recopilada por y alojada en G2.com.

Forma organizada de trabajar en proyectos de ciencia de datos. Seguimiento de experimentos. Reseña recopilada por y alojada en G2.com.

Complejidad y curva de aprendizaje para hacer soluciones personalizadas a medida. Reseña recopilada por y alojada en G2.com.

así que los pipelines de kubeflow son la mejor manera de construir flujos de trabajo de ML. y es un proyecto de código abierto impulsado por la comunidad. Reseña recopilada por y alojada en G2.com.

en realidad, instalar kubernetes correctamente no es fácil. kubeflow tiene muchos componentes que en realidad hacen que kubeflow funcione de manera más compleja. Reseña recopilada por y alojada en G2.com.

es una gran plataforma para científicos de datos que quieren crear tuberías de ml y construir esas tuberías. no hay complejidad en crear esas tuberías. Reseña recopilada por y alojada en G2.com.

no es muy confiable y además el empleado enfrenta mucha complejidad para configurarlo Reseña recopilada por y alojada en G2.com.