Seite 5: Fazit

Inhaltsverzeichnis

Ist es sinnvoll, Data Science auf Kubernetes zu betreiben? Clustersysteme sind bei der Entwicklung von Machine-Learning-Anwendungen längst üblich geworden, daher ist es sinnvoll, ein entsprechendes Verwaltungssystem einzusetzen. Kubernetes hilft nicht nur dabei, einige der Probleme in den Griff zu bekommen, die durch den Clusterbetrieb entstehen, sondern auch bei Herausforderungen, die spezifisch für Machine Learning sind. Schon der Einsatz von Kubernetes allein kann also dazu beitragen, Machine-Learning-Anwendungen effizienter zu entwickeln.

Mit ergänzenden Tools lässt sich Kubernetes um zusätzliche Funktionen erweitern. Darüber hinaus schaffen speziell für Kubernetes entwickelte Tools eine breitere Basis für die Entwicklung von Machine-Learning-Anwendungen. Mit Technologien wie Kubeflow entsteht so eine mächtige Plattform auf Basis von Kubernetes, die Entwickler nicht nur bei sämtlichen Schritten auf dem Weg zu einer neuen Machine-Learning-Anwendung unterstützt, sondern auch bei deren Betrieb und etwaigen künftigen Iterationen der Weiterentwicklung.

Sebastian Jäger
hat Informatik an der Hochschule Karlsruhe – Technik und Wirtschaft studiert. In seiner Bachelor Thesis beschäftigte er sich mit dem performanten Trainieren von Neuronalen Netzen auf Basis von Kubernetes. Derzeit studiert er im Masterstudiengang Data Science an der Beuth Hochschule für Technik Berlin. Seine Interessen liegen in den Bereichen des Maschinellen Lernens und Big-Data, in denen er sehr gerne mit neuen Technologien experimentiert. (map)