了解5G时代的物联网

默认情况下，它支持多用户使用。集成了Istio和Dex以实现额外的安全性和身份验证。Kubeflow的KUDO位于Konvoy之上，是D2iQ的托管Kubernetes平台。它可以运行在云、On-Prem、混合或在边缘，还可用于气隙集群的端口。

在Kubernet中，Kubeflow中的KUDO是用KUDO定义的操作符集合，KUDO是一个声明性工具包，用于使用YAML创建Kubernetes操作符，而非Go。Kubernetes统一声明操作符(KUDOs)的Cassandra、Elastic、Flink、Kafka、Redis等都是开源的，可以与平台集成。

 

MLflow由Databricks支持，这解释了与Spark的紧密集成。它提供了一组有限的部署选项。例如，在PySpark中将模型导出为矢量化的UDF的能力对实时系统来说不是最合理的，因为Python UDF带来了Python运行时环境和JVM之间的通信开销。

尽管开销没有使用标准PySpark UDFs那么大，因在Python和JVM之间的传输中使用了Apache Arrow(一种内存中的柱状格式)，也不是无关紧要的。如果使用Spark Sreaming作为默认的数据提取解决方案，那么使用Spark的微批处理模型可能很难实现亚秒延迟。

对日志记录的支持仍然处于实验阶段，这对于D/MLOps来说是非常重要的。从文档可以看出，MLflow并不关注数据和模型验证，至少不是平台的标准部分。有一个MLflow的托管版本(在AWS和Azure上)提供了更多的特性。

D2iQ的KUDO for Kubeflow是一个基于Kubeflow的面向企业客户的平台。与开源的Kubeflow不同，它自带Spark和Horovod，以及对TensorFlow、PyTorch和MXNet等主要框架进行预构建和完全测试的CPU/GPU图像。数据科学家可以在笔记本中部署表单，而不需要切换情景。

 

guazio确实具备功能商店，可为键值对和时间序列提供统一的API。尽管大多数大型科技公司都有特色商店，但许多可用的产品却并不具备。

功能商店处于核心位置，具有可在多个模型之间共享以加速模型开发的可随时重用的功能。它可以在企业规模上实现特性工程自动化。例如，可以从时间戳中提取许多特性：年、季节、月、星期、时间、是否为本地假日、自最新相关事件以来所经过的时间、特定事件在固定窗口中发生的频率，等等。

SwiftStack AI通过RAPIDS套件面向NVIDIA gpu的高吞吐量深度学习。RAPIDS提供了库，比如cuML，允许人们使用熟悉的scikit-learn API，但受益于GPU加速支持的算法，以及用于GPU驱动的图形分析的cuGraph。

 

每个操作(或执行)都对Docker Image运行一个命令，类似于Kubeflow。二者主要区别在于，Valohai直接管理Kubernetes部署集群，而Kubeflow要求开发人员执行这一任务。

然而，Kubeflow和TFX认为他们提供了一些与TensorFlow相关的工具。使用Valohai，需要重用现有的Docker Image，或者滚动自己的Docker Image，这意味着可使用任何机器学习框架，但是自由度必须与可维护性考虑相权衡。

因此，可以通过Spark、Horovod、TensorFlow或任何适配个人需求和基础设施的工具来分配训练，但这些都由个人决定。这还意味着要负责确保数据转换的兼容性，以避免训练/服务倾斜。注意，它目前只支持对象存储。

Iguazio提到了从笔记本或IDE在几秒钟内部署的能力，尽管这似乎错过了最常见的场景：CI/CD管道，甚至是包含TFX的Pusher组件的平台本身。它使用Kubeflow进行工作流编制

（编辑：济宁站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!