Devenant plus stable, Kubeflow passe en version 1.0. Cette solution est capable de gérer toutes les phases d'un projet d'apprentissage machine : écriture du code, construction des conteneurs, allocation des ressources Kubernetes nécessaires à leur fonctionnement, entraînement des modèles et livraison des prédictions obtenues à partir de ces modèles. La version 1.0 de Kubeflow fournit des outils, notamment les cahiers électroniques Jupyter, pour effectuer des tests avec les données et une interface utilisateur sous forme de tableau de bord en ligne pour la supervision générale, qui apportent une aide à chaque étape.
Google affirme que Kubeflow assure la répétabilité, l'isolement, la mise à l’échelle et la résilience non seulement pour le travail d’entraînement des modèles et de livraison des prédictions, mais aussi pour le développement et la recherche. Les notebooks Jupyter fonctionnant sous Kubeflow peuvent être limités en termes de ressources et de processus, mais ils peuvent réutiliser les configurations, l'accès aux secrets et les sources de données.
Plusieurs composants de Kubeflow sont toujours en cours de développement et seront déployés prochainement. Les pipelines permettent de créer des workflows complexes avec Python. Grâce aux métadonnées, il est possible de tracer des éléments spécifiques contenus dans les modèles individuels, les sets de données, les tâches d’entraînement et les cycles de prédiction. Enfin, avec Katib, les utilisateurs de Kubeflow disposent d’un mécanisme pour effectuer un réglage plus fin des hyperparamètres et améliorer de manière automatisée la précision dans les prédictions des modèles. La solution est compatible dans un premier temps avec TensorFlow (Google) et TensorRT (NVidia) et devrait intégrer prochainement PyTorch, MXNet, Chainer, …