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.
Bewährte Methoden für die Ausführung von AI/ML Workloads
Durch die Implementierung von Best Practices bei der Ausführung von AI/ML Workloads auf EKS kann sichergestellt werden, dass diese Workloads performant, kostengünstig, belastbar und mit angemessenen Ressourcen ausgestattet sind. Die bewährten Methoden sind in die folgenden allgemeinen Abschnitte unterteilt: Datenverarbeitung, Netzwerk, Speicher, Beobachtbarkeit und Leistung.
Feedback
Dieser Leitfaden wird am GitHub veröffentlicht, um direktes Feedback und Vorschläge von der breiteren EKS/Kubernetes Community zu sammeln. Wenn Sie eine bewährte Methode haben, die wir Ihrer Meinung nach in den Leitfaden aufnehmen sollten, reichen Sie bitte ein Problem ein oder reichen Sie eine PR im GitHub Repository ein. Wir beabsichtigen, den Leitfaden regelmäßig zu aktualisieren, sobald der Service um neue Funktionen erweitert wird oder wenn sich eine neue bewährte Methode herausstellt.
