Principais Alternativas de Charmed Kubeflow Mais Bem Avaliadas

Eu gosto da portabilidade disso, o que facilita trabalhar com qualquer cluster Kubernetes, seja em um único computador ou na nuvem. Análise coletada por e hospedada no G2.com.
Foi difícil configurar inicialmente, tivemos que manter membros dedicados da equipe para configurá-lo. Análise coletada por e hospedada no G2.com.
19 de 20 Avaliações Totais para Charmed Kubeflow
Sentimento Geral da Revisão para Charmed Kubeflow
Entre para ver o sentimento das avaliações.

1. Ele usa Kubernetes como backend.
2. Ele adere às melhores práticas de Mlops e containerização.
3. Uma vez que um fluxo de trabalho é devidamente definido, torna-se muito fácil automatizá-lo.
4. Ele possui um ótimo SDK em Python para projetar pipelines.
5. A interface de usuário para usar o pipeline do Kubeflow é incrível.
6. Ele também exibiu todos os logs. Análise coletada por e hospedada no G2.com.
1. Curva de aprendizado inicial íngreme, pois envolve uma grande variedade de conceitos sob um mesmo teto.
2. Então, o usuário deve ter conhecimento além das coisas usuais de ML sobre tecnologia Docker/Container, Kubernetes.
3. Mesmo o processo de configuração inicial não é tão intuitivo.
4. Com base no material disponível em sua documentação, parece que configurá-lo é comparativamente fácil no GCP (na verdade, eu só o usei no GCP). Análise coletada por e hospedada no G2.com.
Automatiza o fluxo de aprendizado de máquina de produção. O Kubeflow pode ser facilmente integrado com o Kubernetes em muitos provedores de nuvem diferentes, como o Amazon Web Service (usando o Elastic Kubernetes Service) ou com o Google Cloud (com o Google Kubernetes Engine). Ele possui interface de API em diferentes linguagens, especialmente fácil de integrar com Python e contêineres Docker. Isso ajuda os usuários a construir seus próprios pipelines de aprendizado de máquina reexecutáveis e plugáveis. Análise coletada por e hospedada no G2.com.
Sem integração fácil com o Terraform e integração com servidores de nomes de domínio no Amazon Web Service. O que significa que implantar o Kubeflow pode ser difícil, dependendo de como a infraestrutura existente se apresenta. Se as empresas já tiverem modelos existentes para integrar com o Kubeflow que não utilizam contêineres, pode custar esforço extra implementá-los, já que o Kubeflow é melhor utilizado com contêineres Docker e executado no Kubernetes. Análise coletada por e hospedada no G2.com.

Escalabilidade, portabilidade e distribuir. O recurso tudo-em-um do Kubeflow tornou a equipe fácil de usar e economizou muito tempo. Isso é fácil de usar para novos aprendizes. Análise coletada por e hospedada no G2.com.
Havia uma necessidade de recurso de CI/CD para a equipe. No Kubeflow, não foi possível encontrar o recurso de CI/CD. Análise coletada por e hospedada no 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 Análise coletada por e hospedada no 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 Análise coletada por e hospedada no G2.com.

Eu gosto especialmente de como ele suporta todas as estruturas de ML disponíveis, começando com tfx, pytorch, Caffe. Análise coletada por e hospedada no G2.com.
Eu adoraria ter um repositório de recursos completo com operação CRUD sobre endpoints REST, embora isso esteja em fase beta e será lançado rapidamente para a versão estável. Análise coletada por e hospedada no G2.com.
Pipeline and visualization and artifacts within the pipeline Análise coletada por e hospedada no 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. Análise coletada por e hospedada no G2.com.

É usabilidade e fácil lançamento de notebooks e criação de modelos na nuvem!
O Kubeflow pode ser facilmente configurado em uma nuvem e muitos Engenheiros/Cientistas de Dados podem aproveitar isso. Análise coletada por e hospedada no G2.com.
Nada por enquanto. Análise coletada por e hospedada no G2.com.

Maneira organizada de trabalhar em projetos de ciência de dados. Rastreamento de experimentos. Análise coletada por e hospedada no G2.com.
Complexidade e curva de aprendizado para fazer soluções personalizadas sob medida Análise coletada por e hospedada no G2.com.

então, como os pipelines do kubeflow são a melhor maneira de construir fluxos de trabalho de ML. e é um projeto de código aberto impulsionado pela comunidade. Análise coletada por e hospedada no G2.com.
na realidade, instalar o kubernetes corretamente não é fácil. o kubeflow tem muitos componentes que na verdade tornam o funcionamento do kubeflow mais complexo. Análise coletada por e hospedada no G2.com.

é uma ótima plataforma para cientistas de dados que desejam criar pipelines de ML e construir esses pipelines. não há complexidade em criar esses pipelines. Análise coletada por e hospedada no G2.com.
não é muito confiável e também o funcionário enfrenta muita complexidade para configurá-lo Análise coletada por e hospedada no G2.com.