Cloudera propone il Machine Learning basato su Kubernetes

CloudProgetti

Cloudera Machine Learning, è la nuova piattaforma per il machine learning nativa in cloud e basata su Kubernetes. Offre provisioning rapido e scalabilità automatica su architettura a container e distribuita

Si chiama Cloudera Machine Learning la piattaforma per il machine learning nativa in cloud, e sviluppata su Kubernetes, che Cloudera propone per offrire un accesso sicuro a tutti i dati, con un’esperienza unificata in ambienti on-premise, cloud pubblici e ambienti ibridi.

Proviamo a smontarne i pezzi costitutivi per individuarne subito i benefici. Cloudera Machine Learning è sviluppata su Kubernetes. Kubernetes è lo strumento open source di orchestrazione e gestione dei container. Permette da un lato di eliminare i processi manuali di deployment e di scalabilità delle applicazioni containerizzate.

In questo caso l’architettura a container e Kubernetes insieme servono ad abilitare i vantaggi cloud in ambienti diversi, abbattendo i limiti costitutivi dell’analisi dei dati quando essi restano isolati a silos e questo è possibile perché vengono combinate funzionalità di data engineering e data science su qualunque tipo di dato e in qualunque tipo di ambiente.

Machine learning nell'era dei Big Data
Machine learning nell’era dei Big Data

Infatti tra i tratti distintivi della proposta Cloudera vi sono la portabilità continua su cloud privati, pubblici e ibridi (abilitata da Kubernetes), provisioning e autoscaling rapidi – grazie all’approccio applicativo a container – l’accesso sicuro ai dati con HDFS (il filesystem del framework Hadoop). HDFS ha il vantaggio di somigliare a un normale file system ma con un’alta tolleranza rispetto ai default e soprattutto con il vantaggio di poter essere installato su qualsiasi tipologia di hardware anche a basso costo.

La proposta offre quindi la possibilità di distribuire modelli di Machine Learning in modo coerente sfruttando infrastrutture trasparenti  scalabili che diano la possibilità di attingere ai dati in qualunque ambiente.

Non solo, i modelli di ML possono essere distribuiti dal cloud all’edge, mantenendo la riservatezza dei dati e riducendo il sovraccarico delle comunicazioni di rete.

Chi volesse approfondire la prospettiva può farlo sfruttando la spiegazione tecnica dettagliata del tipo di approccio, oltre a consigli pratici di engineering, che illustrano casi di utilizzo per mobile, assistenza sanitaria e produzione, inclusa la manutenzione predittiva IoT-driven.

Read also :
Clicca per leggere la biografia dell'autore  Clicca per nascondere la biografia dell'autore