PuSH - Publikationsserver des Helmholtz Zentrums München

Export: TXT Text RIS Endnote (RIS) BIB BibTeX
Lopez Garcia, A.* ; Tran, V.* ; Alic, A.S.* ; Caballer, M.* ; Plasencia, I.C.* ; Costantini, A.* ; Dlugolinsky, S.* ; Duma, D.C.* ; Donvito, G.* ; Gomes, J.* ; Heredia Cacha, I.* ; De Lucas, J.M.* ; Ito, K. ; Kozlov, V.Y.* ; Nguyen, G.* ; Orviz Fernandez, P.* ; Sustr, Z.* ; Wolniewicz, P.* ; Antonacci, M.* ; zu Castell, W. ; David, M.* ; Hardt, M.* ; Lloret Iglesias, L.* ; Molto, G.* ; Plociennik, M.*

A cloud-based framework for machine learning workloads and applications.

IEEE Access 8, 18681-18692 (2020)
Verlagsversion DOI
Open Access Gold
Creative Commons Lizenzvertrag
In this paper we propose a distributed architecture to provide machine learning practitioners with a set of tools and cloud services that cover the whole machine learning development cycle: ranging from the models creation, training, validation and testing to the models serving as a service, sharing and publication. In such respect, the DEEP-Hybrid-DataCloud framework allows transparent access to existing e-Infrastructures, effectively exploiting distributed resources for the most compute-intensive tasks coming from the machine learning development cycle. Moreover, it provides scientists with a set of Cloud-oriented services to make their models publicly available, by adopting a serverless architecture and a DevOps approach, allowing an easy share, publish and deploy of the developed models.
Impact Factor
Scopus SNIP
Web of Science
Times Cited
Scopus
Cited By
Altmetric
3.745
1.734
13
31
Tags
Anmerkungen
Besondere Publikation
Auf Hompepage verbergern

Zusatzinfos bearbeiten
Eigene Tags bearbeiten
Privat
Eigene Anmerkung bearbeiten
Privat
Auf Publikationslisten für
Homepage nicht anzeigen
Als besondere Publikation
markieren
Publikationstyp Artikel: Journalartikel
Dokumenttyp Wissenschaftlicher Artikel
Schlagwörter Cloud Computing ; Computers And Information Processing ; Deep Learning ; Distributed Computing ; Machine Learning ; Serverless Architectures
Sprache englisch
Veröffentlichungsjahr 2020
HGF-Berichtsjahr 2020
ISSN (print) / ISBN 2169-3536
e-ISSN 2169-3536
Zeitschrift IEEE Access
Quellenangaben Band: 8, Heft: , Seiten: 18681-18692 Artikelnummer: , Supplement: ,
Verlag IEEE
Begutachtungsstatus Peer reviewed
Institut(e) Institute of Computational Biology (ICB)
POF Topic(s) 30205 - Bioengineering and Digital Health
30505 - New Technologies for Biomedical Discoveries
Forschungsfeld(er) Enabling and Novel Technologies
PSP-Element(e) G-503891-001
G-503890-001
DOI 10.1109/ACCESS.2020.2964386
WOS ID WOS:000524755200002
Scopus ID 85079817562
Erfassungsdatum 2020-05-11
[➜Korrektur melden]