Kubeflow è nato dall’open sourcing da parte di Google, poco più di due anni fa, del modo in cui l’azienda gestiva TensorFlow internamente, basato su una pipeline denominata TensorFlow Extended.
Il progetto Kubeflow ha attualmente come suo obiettivo quello di rendere le implementazioni dei flussi di lavoro di machine learning su Kubernetes semplici, portabili e scalabili. Attualmente il progetto può contare su centinaia di contributor da oltre 30 organizzazioni partecipanti.
Kubeflow aiuta le aziende a standardizzare su un’infrastruttura comune tra sviluppo del software e machine learning, sfruttando data science open source ed ecosistemi nativi del cloud per ogni fase del ciclo di vita dell’apprendimento automatico. Con il supporto di una solida comunità di contributor, Kubeflow fornisce una piattaforma nativa di Kubernetes per lo sviluppo, l’orchestrazione, il deploying e l’esecuzione di carichi di lavoro di machine learning scalabili e portatili.
Per ciò che concerne più da vicino l’ecosistema della società di Mountain View, usare Kubeflow sulla piattaforma Anthos di Google Cloud consente ai team di eseguire questi flussi di lavoro di machine learning in ambienti ibridi e multi-cloud sfruttando al contempo le funzionalità di livello enterprise di sicurezza, scalabilità automatica, logging e identità di Google Kubernetes Engine (GKE).
Con la versione 1.0, la prima major release ora annunciata dal team di sviluppo, arriva un set core di applicazioni stabili necessarie per sviluppare, eseguire le build, addestrare e distribuire modelli su Kubernetes in modo efficiente.
Con Kubeflow 1.0, gli utenti possono utilizzare Jupyter per sviluppare modelli. Possono quindi utilizzare gli strumenti di Kubeflow, come Fairing (l’SDK Python di Kubeflow), per creare container e risorse Kubernetes per il training dei loro modelli. Una volta che è pronto un modello, gli utenti possono usare KFServing per creare e distribuire un server per l’inferenza.
Maggiori informazioni su Kubeflow e su come utilizzare il toolkit per il machine learning su Kubernetes sono disponibili sul sito del progetto.
