Hilf mit, diese Seite zu verbessern
Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.
Wenn Sie zu diesem Benutzerhandbuch beitragen möchten, wählen Sie den GitHub Link Diese Seite bearbeiten auf, der sich im rechten Bereich jeder Seite befindet.
Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.
Machine Learning (ML) ist ein Bereich der künstlichen Intelligenz (KI), in dem Maschinen große Datenmengen verarbeiten, um nach Mustern zu suchen und Verbindungen zwischen den Daten herzustellen. Dies kann neue Zusammenhänge aufdecken und dazu beitragen, Ergebnisse vorherzusagen, die sonst möglicherweise nicht erkennbar gewesen wären.
Für groß angelegte ML-Projekte müssen Rechenzentren in der Lage sein, große Datenmengen zu speichern, Daten schnell zu verarbeiten und Daten aus vielen Quellen zu integrieren. Die Plattformen, auf denen ML-Anwendungen ausgeführt werden, müssen zuverlässig und sicher sein, aber auch Ausfallsicherheit bieten, damit sie sich nach Ausfällen im Rechenzentrum und bei Anwendungsausfällen erholen können. AWS Elastic Kubernetes Service (EKS), der in der AWS Cloud ausgeführt wird, eignet sich besonders für ML-Workloads.
Das Hauptziel dieses Abschnitts des EKS-Benutzerhandbuchs besteht darin, Sie bei der Zusammenstellung der Hardware- und Softwarekomponenten zu unterstützen, um Plattformen für die Ausführung von Machine-Learning-Workloads in einem EKS-Cluster zu erstellen. Wir erläutern zunächst die Funktionen und Dienste, die Ihnen in EKS und der AWS Cloud zur Verfügung stehen, und stellen Ihnen dann Tutorials zur Verfügung, die Ihnen bei der Arbeit mit ML-Plattformen, -Frameworks und -Modellen helfen.
Vorteile von Machine Learning auf EKS und der AWS Cloud
Amazon Elastic Kubernetes Service (EKS) ist eine leistungsstarke, verwaltete Kubernetes-Plattform, die zu einem Eckpfeiler für die Bereitstellung und Verwaltung von AI/ML workloads in the cloud. With its ability to handle complex, resource-intensive tasks, Amazon EKS provides a scalable and flexible foundation for running AI/ML Modellen geworden ist und sich daher ideal für Unternehmen eignet, die das volle Potenzial des maschinellen Lernens ausschöpfen möchten.
Zu den wichtigsten Vorteilen von KI/ML-Plattformen auf Amazon EKS gehören:
-
Skalierbarkeit und Flexibilität Mit Amazon EKS können Unternehmen KI/ML-Workloads nahtlos skalieren. Ganz gleich, ob Sie umfangreiche Sprachmodelle trainieren, die eine enorme Menge an Rechenleistung benötigen, oder Inferenz-Pipelines bereitstellen, die mit unvorhersehbaren Datenverkehrsmustern umgehen müssen, EKS skaliert effizient nach oben und unten und optimiert so den Ressourcenverbrauch und die Kosten.
-
Hohe Leistung mit GPUs und Neuron-Instances Amazon EKS unterstützt eine Vielzahl von Rechenoptionen, einschließlich GPUs und AWS} Neuron-Instances, die für die Beschleunigung von KI/ML-Workloads unerlässlich sind. Diese Unterstützung ermöglicht leistungsstarkes Training und Inferenz mit geringer Latenz, wodurch sichergestellt wird, dass Modelle in Produktionsumgebungen effizient ausgeführt werden.
-
Integration mit KI/ML-Tools Amazon EKS lässt sich nahtlos in beliebte KI/ML-Tools und -Frameworks wie TensorFlow, PyTorch, und Ray integrieren und bietet so ein vertrautes und robustes Ökosystem für Datenwissenschaftler und Ingenieure. Diese Integrationen ermöglichen es Benutzern, bestehende Tools zu nutzen und gleichzeitig von der Skalierbarkeit und den Verwaltungsfunktionen von Kubernetes zu profitieren.
-
Automatisierung und Verwaltung Kubernetes auf Amazon EKS automatisiert viele der betrieblichen Aufgaben im Zusammenhang mit der Verwaltung von KI/ML-Workloads. Funktionen wie automatische Skalierung, fortlaufende Updates und Selbstheilung stellen sicher, dass Ihre Anwendungen hochverfügbar und belastbar bleiben, wodurch der Aufwand manueller Eingriffe reduziert wird.
-
Sicherheit und Compliance Die Ausführung von KI/ML-Workloads auf Amazon EKS bietet robuste Sicherheitsfunktionen, einschließlich detaillierter IAM-Rollen, Verschlüsselung und Netzwerkrichtlinien, die sicherstellen, dass sensible Daten und Modelle geschützt sind. EKS hält sich außerdem an verschiedene Compliance-Standards und eignet sich daher für Unternehmen mit strengen regulatorischen Anforderungen.
Warum sollten Sie Amazon EKS für KI/ML wählen?
Amazon EKS bietet eine umfassende, verwaltete Umgebung, die die Implementierung von AI/ML models while providing the performance, scalability, and security needed for production workloads. With its ability to integrate with a variety of AI/ML tools and its support for advanced compute resources, EKS empowers organizations to accelerate their AI/ML Initiativen vereinfacht und innovative Lösungen in großem Maßstab bereitstellt.
Wenn Sie sich für Amazon EKS entscheiden, erhalten Sie Zugriff auf eine robuste Infrastruktur, die die Komplexität moderner KI/ML-Workloads bewältigen kann, sodass Sie sich auf Innovation und Wertschöpfung konzentrieren können, anstatt die zugrunde liegenden Systeme zu verwalten. Ganz gleich, ob Sie einfache Modelle oder komplexe KI-Systeme einsetzen, Amazon EKS bietet die Tools und Funktionen, die Sie benötigen, um in einem wettbewerbsintensiven und sich schnell entwickelnden Bereich erfolgreich zu sein.
Beginnen Sie mit der Nutzung von Machine Learning auf EKS
Um mit der Planung und Nutzung von Plattformen und Workloads für Machine Learning auf EKS in der AWS Cloud zu beginnen, fahren Sie mit dem Erste Schritte mit ML Abschnitt fort.
