Java AI Cloud-Computing

Native-Cloud-Technologien mittels Kubeflow auf Kubernetes

Die Pandemie 2020 hat uns gezeigt, die Zukunft liegt in schnell erfassbaren und vernetzten Daten, um daraus effizient und sehr zeitnah neue Erkenntnisse zu schließen. Eine App zur Datenerfassung ist eventuell schnell erstellt, aber diese muss zum Beispiel in Notfällen extrem schnell nach Bedarf skaliert werden können. Wie reagiert die IT-Infrastruktur, wenn innerhalb von Tagen Millionen neue Nutzer Daten übermitteln, wir diese speichern und verarbeiten müssen, um sie später – am besten in Echtzeit – in ein neues Machine Learning-Modell einzupflegen, das dabei hilft, neue Vorhersagen zu treffen.

ML und Data Science automatisieren und skalieren

Wie in Abbildung 1 zu erkennen, ist einiges an Aufwand und Disziplin erforderlich, um ein fertiges und produktionsreifes Machine Learning-Modell in Produktion betreiben zu können. Daneben braucht es verschiedene IT-Skills: Machine Learning Engineers, Data Scienctists und Software Engineers müssen eng zusammenarbeiten.

Der Datenfluss in der IT muss nicht nur skalierbar, sondern auch automatisierbar sein. Hier hilft Kubeflow, ein End2End-ML-Framewor…

Nächster Artikel

IT Spektrum

JavaSPEKTRUM

BI-Spektrum

German Testing Magazin

Unsere Interviews

Artikelreihen

Native-Cloud-Technologien mittels Kubeflow auf Kubernetes

ML und Data Science automatisieren und skalieren

Kostenfreien Account erstellen oder einloggen.

Mit System zur erfolgreichen IT-Mitarbeitergewinnung