Machine-learning

KI-gestützte Qualitätskontrolle auf Kubernetes: Kamera-zu-Inference-Pipeline mit YOLO und Triton Inference Server für automatisierte Defekterkennung.

YOLO-Modelle als skalierbare Inference-Services auf Kubernetes deployen: NVIDIA Device Plugin, GPU-Scheduling, HPA mit Custom Metrics und Triton Serving.

Kubeflow auf Kubernetes deckt den gesamten ML-Lifecycle ab: von Jupyter Notebooks über Pipelines bis Model Serving mit KServe und Katib.

vLLM auf Kubernetes deployen, GPU-Speicher mit PagedAttention optimal nutzen und Auto-Scaling für LLM-Workloads konfigurieren.

Predictive-Maintenance-Pipeline auf Kubernetes aufbauen: Sensor-Ingestion über Kafka, ML-Training mit Kubeflow und Modell-Serving mit Seldon Core.