Pods, Deployments und Services für Modelle
Übertragen Sie ML-Serving auf die zentralen Kubernetes-Objekte.
Pods, Deployments und Services für Modelle ist eine kostenlose MLOps Academy-Lektion auf CoddyKit. Dies ist Lektion 1 von 4. Du kannst die komplette Lektion unten kostenlos lesen – dann übst du sie direkt im Browser mit einem integrierten Code-Editor und einem KI-Tutor rund um die Uhr. Sie ist Teil des MLOps Academy-Lernpfads, und dein Fortschritt wird über Web und CoddyKit-App synchronisiert. Der MLOps Academy-Kurs umfasst insgesamt 4 Lektionen.
Teile dieser Lektion wurden noch nicht übersetzt und werden auf Englisch angezeigt.
The Pod Is the Smallest Unit
Kubernetes never runs a bare container. The smallest thing it schedules is a Pod, a wrapper holding one container (your model server) plus its shared network. 📦
One Model Server per Pod
For ML serving you usually put one model API container in each Pod. That keeps scaling, restarts, and resource limits simple to reason about per model.
Pods Are Disposable
A Pod can die at any moment, on a node failure or an upgrade. You never name or nurse one; you let the cluster replace it for you.
Deployments Keep Pods Alive
A Deployment is the controller you actually create. It says how many identical model Pods you want and rebuilds any that crash or vanish.
apiVersion: apps/v1
kind: Deployment
metadata:
name: model-api
spec:
replicas: 3Replicas Give You Scale
Set replicas to 3 and you instantly run three copies of your model server. Bump the number and Kubernetes spins up more to share the load.
The Pod Template
Inside a Deployment, the template is the blueprint for every Pod: which image to pull, what port the model API listens on, and its resource needs.
Rolling Updates Are Built In
Ship a new model image and the Deployment does a rolling update, replacing old Pods a few at a time so predictions keep flowing with no downtime.
Pod IPs Keep Changing
Every new Pod gets a fresh internal IP. Clients cannot chase moving targets, so you need a stable front door that does not change. 🔀
The Service Is That Front Door
A Service gives your model Pods one steady name and virtual IP, then load-balances requests across whichever replicas are currently healthy.
apiVersion: v1
kind: Service
metadata:
name: model-api
spec:
selector:
app: model-api
ports:
- port: 80Labels Wire It Together
A Service finds its Pods by matching labels, not IPs. The selector app=model-api links the Service to every Pod carrying that same label.
ClusterIP vs LoadBalancer
A ClusterIP Service is reachable only inside the cluster, fine for internal calls. Use LoadBalancer or an Ingress when external users need the model.
Quick Check
Which object should you create to run and self-heal model Pods?
Recap
Pods run your model, a Deployment keeps the right number alive, and a Service gives clients one stable address. That trio is the core of serving on Kubernetes. ✅
Häufig gestellte Fragen
Ist die Lektion „Pods, Deployments und Services für Modelle“ kostenlos?
Ja — der vollständige Text von „Pods, Deployments und Services für Modelle“ ist hier im Web kostenlos zu lesen. Um sie interaktiv zu üben (integrierter Code-Editor und 24/7 KI-Tutor) und den Rest des MLOps Academy-Kurses freizuschalten, upgrade auf CoddyKit PRO. Der MLOps Academy-Kurs umfasst insgesamt 4 Lektionen.
Was lerne ich in „Pods, Deployments und Services für Modelle“?
Übertragen Sie ML-Serving auf die zentralen Kubernetes-Objekte. Du übst MLOps Academy mit praktischem Code, den du direkt im Browser ausführst, und ein 24/7 KI-Tutor beantwortet deine Fragen während du die Lektion bearbeitest.
Brauche ich Erfahrung, um MLOps Academy zu starten?
Keine Vorkenntnisse erforderlich. MLOps Academy auf CoddyKit ist für Anfänger bis fortgeschrittene Lernende strukturiert, sodass du hier starten oder von Anfang an beginnen und in deinem eigenen Tempo voranschreiten kannst. Dies ist Lektion 1 von 4.
Wie lange dauert die Lektion „Pods, Deployments und Services für Modelle“?
Die meisten CoddyKit-Lektionen dauern etwa 5–10 Minuten. Jede ist kompakt und interaktiv, sodass du stetig Fortschritte machst und genau dort weitermachst, wo du aufgehört hast – im Web und in der App.
Kann ich in dieser MLOps Academy-Lektion Code schreiben und ausführen?
Ja. Jede MLOps Academy-Lektion enthält einen integrierten Code-Editor, sodass du echten Code direkt in deinem Browser schreibst und ausführst und sofort KI-Feedback erhältst — ohne lokale Einrichtung erforderlich.
Alle Lektionen in diesem Kurs
- Pods, Deployments und Services für Modelle
- CPU, Arbeitsspeicher und GPU anfordern
- Mit ConfigMaps und Secrets konfigurieren
- Training als Kubernetes-Job ausführen