Train Stack auf Basis von Kubeflow
Der Train Stack dient dem Aufbau, Training und der Wiederholbarkeit von Modellen. Mit Kubeflow lassen sich Pipelines, Experimente und Trainingsläufe strukturiert ausführen und sauber versionieren.
Zweck: Modelltraining standardisieren, reproduzierbar machen und für mehrere Teams steuerbar halten.
Infer Stack auf Basis von KServe
Der Infer Stack ist für produktive Modellbereitstellung gedacht. Mit KServe stellen wir Modelle skalierbar, beobachtbar und kontrolliert in Kubernetes bereit.
Zweck: Inference stabil ausliefern, Lastspitzen abfedern und Deployments ohne unnötigen Aufwand betreiben.
Agent Stack auf Basis von Kagent
Der Agent Stack ist für workflowbasierte, toolnutzende AI-Agenten gedacht. Mit Kagent lassen sich agentische Anwendungen in einer Kubernetes-Umgebung strukturiert betreiben und erweitern.
Zweck: Agenten für echte Prozesse bauen, sicher in Betrieb nehmen und langfristig wartbar halten.
Warum drei Stacks?
- Training, Inference und Agenten haben unterschiedliche Anforderungen.
- Eine gemeinsame Kubernetes-Basis hält den Betrieb konsistent.
- So können wir gezielt optimieren, statt alles in ein einziges Muster zu pressen.