Centro de Datos

Este clúster permite el despliegue y la gestión de microservicios a través de diversos pods.

Casos de uso

• Despliegue e inferencia de modelos. Despliegue de modelos de ML preentrenados y exposición como APIs REST o servicios gRPC en un entorno contenerizado.
• Entrenamiento distribuido con Kubeflow. Uso de Kubeflow, una plataforma de ML diseñada para Kubernetes, para realizar entrenamiento distribuido de modelos de ML utilizando frameworks como TensorFlow, PyTorch o MXNet. Kubeflow permite trabajar con grandes conjuntos de datos y escalar en múltiples contenedores.
• Ajuste de hiperparámetros y pipelines de ML automatizados. Kubernetes puede gestionar tareas paralelas de ajuste de hiperparámetros, donde múltiples experimentos se ejecutan simultáneamente con diferentes configuraciones. Se pueden utilizar herramientas como Optuna o Kubeflow Pipelines para automatizar estos procesos.
• Pipelines de preprocesamiento de datos. Despliegue de pipelines de preprocesamiento de datos (por ejemplo, limpieza, transformación y normalización de grandes conjuntos de datos) que se ejecutan en paralelo en múltiples pods de Kubernetes.
• Jupyter Notebooks interactivos como servicio. Provisión de acceso a Jupyter Notebooks o JupyterHub alojados en Kubernetes, permitiendo prototipar, desarrollar y probar modelos de ML de forma interactiva.