Dernière mise à jour 06-28-2026
Catégorie:
Reviews:
Join thousands of AI enthusiasts in the World of AI!
Kubeflow
Kubeflow est la base des outils pour construire des plateformes d'IA sur Kubernetes. Les équipes de plateforme IA peuvent déployer des sous-projets individuels ou la distribution communautaire complète de Kubeflow pour exécuter des charges de travail d'apprentissage automatique et d'IA générative où que Kubernetes fonctionne. C'est un projet open source sous la Cloud Native Computing Foundation, avec plus de 33 000 étoiles sur GitHub et 3 000 contributeurs.
La plateforme est modulaire et composable : chaque sous-projet couvre une étape distincte du cycle de vie de l'IA, de la préparation des données à la mise en service des modèles. Kubeflow Pipelines orchestrationne des workflows ML portables, Kubeflow Trainer gère la formation distribuée et l'affinement des LLM à travers PyTorch, DeepSpeed, JAX et d'autres frameworks, et Katib automatise l'optimisation des hyperparamètres et la recherche d'architecture neuronale.
Les ingénieurs de plateforme, les ingénieurs ML et les équipes de science des données utilisent Kubeflow pour standardiser la transition des modèles de l'expérimentation à la production sur des clusters Kubernetes. Parmi les adopteurs figurent AWS, Oracle et Red Hat. Le projet s’intègre avec des outils de l’écosystème comme KServe pour l'inférence, Feast pour les features stores, et l’Operator Spark pour le traitement de données à grande échelle.
Kubeflow Pipelines crée des workflows ML portables qui s'exécutent sur n'importe quel cluster Kubernetes
Trainer affine les LLM avec PyTorch, DeepSpeed, MLX et Megatron à échelle distribuée
Katib exécute l'optimisation des hyperparamètres, l'arrêt précoce et les recherches d'architectures neuronales
Les Notebooks lancent des environnements Jupyter et VS Code pour un développement ML interactif
Hub indexe les versions de modèles, les artefacts et les métadonnées dans un registre unique
Spark Operator exécute des jobs Spark distribués pour la préparation de données à grande échelle et l'embedding
Central Dashboard connecte les interfaces utilisateur authentifiées pour chaque composant Kubeflow dans un hub unique
Les sous-projets modulaires permettent aux équipes d'adopter uniquement les composants dont elles ont besoin sur une infrastructure Kubernetes existante.
Soutenu par plus de 3 000 contributeurs et adopté par AWS, Oracle et Red Hat pour des plateformes ML en production.
Le SDK Kubeflow propose des API Python pour exécuter des charges d'entraînement sans expertise approfondie de Kubernetes.
Couvre l'ensemble du cycle de vie de l'IA, de la préparation des données à l'entraînement, l'ajustement, le registre et la mise en service.
Projet CNCF avec des canaux Slack actifs, des listes de diffusion et des appels communautaires hebdomadaires.
Nécessite une expertise opérationnelle Kubernetes pour l'installation et la maintenance en production.
Aucune offre SaaS gérée directement par le projet ; les équipes hébergent elles-mêmes sur leurs propres clusters.
L'étendue des sous-projets peut rendre la configuration initiale et la sélection des composants accablantes pour les nouveaux arrivants.
Kubeflow est-il gratuit à utiliser ?
Oui. Kubeflow est un projet open source sous la Cloud Native Computing Foundation. Vous pouvez déployer les sous-projets individuellement ou la distribution complète Kubeflow Community Distribution sur n'importe quel cluster Kubernetes sans frais de licence.
Quelles plateformes Kubernetes supportent Kubeflow ?
Kubeflow se déploie partout où Kubernetes fonctionne. La documentation d'installation couvre les clusters locaux, les fournisseurs cloud et les versions de Kubeflow Community Distribution (versions 1.0 à 26.03).
Kubeflow peut-il affiner les grands modèles de langage (LLM) ?
Oui. Kubeflow Trainer prend en charge l'affinage des LLM avec PyTorch, DeepSpeed, MLX et les blueprints BuiltinTrainers. La documentation GenAI couvre l'affinage supervisé, DPO, PPO, GRPO et les workflows d'entraînement conscient de la quantification.
Quels sont les principaux sous-projets de Kubeflow ?
Les sous-projets principaux incluent Kubeflow Pipelines pour l'orchestration des workflows, Trainer pour l'entraînement distribué, Katib pour l'AutoML, Notebooks pour le développement interactif, Hub pour le registre de modèles, Spark Operator pour le traitement des données, et le Central Dashboard comme hub d'interface utilisateur unifiée.
Comment obtenir du support pour Kubeflow ?
Kubeflow offre un support communautaire via les canaux Slack du CNCF, la liste de diffusion Google Group kubeflow-discuss, des appels communautaires hebdomadaires, et la documentation disponible sur kubeflow.org/docs/started/support/.
Kubeflow prend-il en charge les cas d'utilisation GenAI comme RAG ?
Oui. Kubeflow documente les workflows GenAI incluant la génération augmentée par récupération (RAG), la génération de données synthétiques, l'affinage des LLM, l'optimisation des hyperparamètres, et l'inférence à grande échelle en utilisant Pipelines, Trainer, Katib et KServe.