◆ KI-Freelancer? Werde eines der ersten 2.000 Gründungsmitglieder: 0 % Provision, 60 Tage Advanced (starte, wann du willst) und eigenes Titelbild für immer. KI-Freelancer? 0 % Provision + 60 Tage Advanced Jetzt Platz sichern →Mehr →
KI verbindenKI

Suche direkt aus deiner KI heraus nach KI-Tools, KI-Firmen und KI-Freelancern auf KI-Radar24.

So funktioniert der KI-Radar24-Connector
Inserat hinzufügen
Kubeflow

Kubeflow

Kubernetes-native Open-Source-Plattform für ML-Workflows und Training

Beschreibung

kubeflow.org ist eine quelloffene, cloud-native KI-Plattform aus modularen Projekten, mit der sich ML-Workflows, verteiltes Training, Hyperparameter-Optimierung und Modellverwaltung auf Kubernetes betreiben lassen.

Das Tool richtet sich an Plattform- und ML-Teams, die ML-Pipelines und Trainingsjobs standardisiert auf Kubernetes betreiben wollen.

Tags

  • Modelltraining
  • Automatisierung
  • Machine Learning
  • Infrastruktur
  • Kostenlos nutzbar
  • Lokal nutzbar
  • Open Source

Zuletzt aktualisiert: November 2026 · Fehler melden · Abzeichen für deine Website

Auf einen Blick

Stand: November 2026
🛡️Datenschutz

Kein einzelner Anbieter mit Firmensitz: Kubeflow ist ein Community-Projekt und laut Projektseite ein CNCF-Graduated-Projekt; der Code steht unter der Apache-2.0-Lizenz. Es gibt keinen zentralen Cloud-Dienst, die Plattform läuft in der eigenen Kubernetes-Umgebung, sodass Daten dort verbleiben; Datenschutz und Sicherheit liegen in der Verantwortung des Betreibers.

💰
Preismodell

Open Source (Apache 2.0) und kostenlos nutzbar; Kosten entstehen für Infrastruktur und Betrieb.

👥
Zielgruppe
ML-EngineersData ScientistsDevOpsPlattformteams
⚙️
Technik

Modulare Sammlung von Kubernetes-nativen Projekten, die lokal, on-premises oder in der Cloud mit identischem Code laufen.

🔗
Integrationen

Zusammenspiel mit Kubernetes sowie laut Projektseite Einsatz bei Organisationen wie AWS, Oracle, Red Hat

📊
Funktionen
Pipelines (KFP) für portable ML-WorkflowsTrainer für verteiltes TrainingKatib für AutoML und Hyperparameter-TuningNotebooksSpark OperatorHub für Modellmetadaten

✅ Vorteile

  • Offener, herstellerneutraler Ansatz ohne Lizenzkosten
  • Modular kombinierbar und portabel

❌ Nachteile

  • Betrieb und Wartung auf Kubernetes erfordern erhebliches Fachwissen
  • Kein Anbieter-Support im Standardumfang
🎯
Für wen geeignet?

Vor allem interessant für Teams mit Kubernetes-Know-how, die ML-Pipelines und Training reproduzierbar und skalierbar organisieren wollen.

Angaben laut Anbieter, Stand November 2026, ohne Gewähr. Fehler entdeckt? Melden

Bewertungen

Noch keine Bewertungen. Sei der Erste!

Bewertung schreiben

Deine E-Mail wird nicht veröffentlicht.