独自の Kubeflow MLOps プラットフォームを作成することが理にかなっている場合を見つけようとしています。
- Tensorflow のみのショップでも、Kubeflow は必要ですか? なぜTFXだけではないのですか？オーケストレーションは Airflow で実行できます。
- GPU や分散トレーニングをサポートしていない scikit-learn を使用しているのに、なぜ Kubeflow を使用するのでしょうか? オーケストレーションは Airflow で実行できます。
- Kubeflow の使用を確信している場合、クラウド プロバイダー (Azure および GCP) は ML パイプラインの概念 (Google は内部で Kubeflow を使用しています) をマネージド サービスとして提供しています。独自の Kubeflow 環境をデプロイする意味があるのはいつですか? オンプレミスにデプロイする必要がある場合でも、クラウド リソース (クラウド上のノードとデータ) を使用してモデルをトレーニングし、モデルをオンプレミスにのみデプロイするオプションがあります。したがって、マネージド サービスとして Azure または GCP AI Platform を使用することは、ML パイプラインを提供するのに最も理にかなっていますか?