Meilleures alternatives à Charmed Kubeflow les mieux notées
alors, comme les pipelines kubeflow sont le meilleur moyen de construire des flux de travail ML. et c'est un projet open-source dirigé par la communauté. Avis collecté par et hébergé sur G2.com.
en réalité, installer Kubernetes correctement n'est pas facile. Kubeflow a de nombreux composants qui rendent en fait le fonctionnement de Kubeflow plus complexe. Avis collecté par et hébergé sur G2.com.
19 sur 20 Avis au total pour Charmed Kubeflow
Sentiment de l'avis global pour Charmed Kubeflow
Connectez-vous pour consulter les sentiments des avis.
J'aime sa portabilité, ce qui facilite le travail avec n'importe quel cluster Kubernetes, que ce soit sur un seul ordinateur ou dans le cloud. Avis collecté par et hébergé sur G2.com.
C'était difficile à configurer initialement, nous devions garder des membres d'équipe dédiés pour le configurer. Avis collecté par et hébergé sur G2.com.
1. Il utilise Kubernetes comme backend.
2. Il adhère aux meilleures pratiques de Mlops et de la containerisation.
3. Une fois qu'un flux de travail est correctement défini, il devient très facile de l'automatiser.
4. Il dispose d'un excellent SDK Python pour concevoir des pipelines.
5. L'interface utilisateur pour utiliser le pipeline Kubeflow est géniale.
6. Il a également affiché tous les journaux. Avis collecté par et hébergé sur G2.com.
1. Courbe d'apprentissage initiale abrupte car elle implique une grande variété de concepts sous un même toit.
2. Donc, l'utilisateur doit avoir des connaissances en dehors des sujets habituels de ML sur la technologie Docker/Container, Kubernetes.
3. Même le processus de configuration initiale n'est pas si intuitif.
4. D'après le matériel disponible dans sa documentation, il semble que le configurer soit relativement facile sur GCP (en fait, je l'ai utilisé uniquement sur GCP). Avis collecté par et hébergé sur G2.com.
Automatise le flux de production d'apprentissage automatique. Kubeflow peut être facilement intégré avec Kubernetes sur de nombreux fournisseurs de cloud différents, tels qu'Amazon Web Service (en utilisant Elastic Kubernetes Service), ou avec Google Cloud (avec Google Kubernetes Engine). Il dispose d'une interface API dans différentes langues, particulièrement facile à intégrer avec Python et les conteneurs Docker. Ce qui aide les utilisateurs à construire leurs propres pipelines d'apprentissage automatique réexécutables et modulaires. Avis collecté par et hébergé sur G2.com.
Pas d'intégration facile avec Terraform et intégration avec les serveurs de noms de domaine sur Amazon Web Service. Ce qui signifie que le déploiement de Kubeflow peut être difficile en fonction de l'apparence de l'infrastructure existante. Si les entreprises ont déjà des modèles existants à intégrer avec Kubeflow qui n'utilisent pas de conteneurs, cela pourrait nécessiter un effort supplémentaire pour les mettre en œuvre, car Kubeflow est mieux utilisé avec des conteneurs Docker et fonctionne sur Kubernetes. Avis collecté par et hébergé sur G2.com.
Scalabilité, portabilité et distribuer. La fonctionnalité tout-en-un de Kubeflow a rendu l'équipe facile à utiliser et a permis de gagner beaucoup de temps. C'est facile à utiliser pour les nouveaux apprenants. Avis collecté par et hébergé sur G2.com.
Il y avait un besoin de fonctionnalité CI/CD pour l'équipe. Sur Kubeflow, la fonctionnalité de CI/CD n'a pas pu être trouvée. Avis collecté par et hébergé sur 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 Avis collecté par et hébergé sur 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 Avis collecté par et hébergé sur G2.com.
J'aime particulièrement la façon dont il prend en charge tous les cadres de ML disponibles, à commencer par tfx, pytorch, Caffe. Avis collecté par et hébergé sur G2.com.
J'aimerais avoir un magasin de fonctionnalités complet avec des opérations CRUD sur des points de terminaison REST, bien que cela soit en version bêta et sera rapidement publié pour la version stable. Avis collecté par et hébergé sur G2.com.
Pipeline and visualization and artifacts within the pipeline Avis collecté par et hébergé sur 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. Avis collecté par et hébergé sur G2.com.
C'est la convivialité et le lancement facile de notebooks et la création de modèles sur le cloud ! Kubeflow peut être facilement configuré sur un cloud et de nombreux ingénieurs/scientifiques des données peuvent tirer parti de cela. Avis collecté par et hébergé sur G2.com.
Rien pour le moment. Avis collecté par et hébergé sur G2.com.
Façon organisée de travailler sur des projets de science des données. Suivi des expériences. Avis collecté par et hébergé sur G2.com.
Complexité et courbe d'apprentissage pour créer des solutions sur mesure personnalisées Avis collecté par et hébergé sur G2.com.
c'est une excellente plateforme pour les data scientists qui souhaitent créer des pipelines de ML et construire ces pipelines. il n'y a pas de complexité à créer ces pipelines. Avis collecté par et hébergé sur G2.com.
ce n'est pas très fiable et l'employé fait également face à beaucoup de complexité pour le configurer Avis collecté par et hébergé sur G2.com.
