TFX (TensorFlow Extended)
Googles End-to-End-Plattform für das Deployment produktionsreifer ML-Pipelines auf Basis von TensorFlow.
TFX ist Googles komplette ML-Pipeline-Plattform mit Komponenten für Data Validation, Training, Evaluation und Serving – der Goldstandard für TensorFlow-Produktionssysteme.
Erklärung
TFX umfasst Komponenten für Data Validation (TFDV), Transform (TFT), Training, Model Evaluation (TFMA), Serving (TF Serving) und Metadata-Tracking (MLMD). Pipelines laufen auf Apache Beam, Airflow oder Kubeflow.
Relevanz für Marketing
TFX ist Googles Referenzimplementierung für produktionsreife ML-Pipelines.
Häufige Fallstricke
Stark an TensorFlow gebunden. Steile Lernkurve. Viele bewegliche Teile in der Pipeline.
Entstehung & Geschichte
Google veröffentlichte interne ML-Infrastructure-Papiere ab 2017. TFX wurde 2019 als Open-Source-Version veröffentlicht. Es basiert auf Googles internem ML-System Sibyl und dem TFX-Paper (KDD 2017).
Abgrenzung & Vergleiche
TFX (TensorFlow Extended) vs. Kubeflow Pipelines
TFX ist TensorFlow-spezifisch mit vordefinierten Komponenten; Kubeflow Pipelines ist framework-agnostisch mit Container-basierten Steps.
TFX (TensorFlow Extended) vs. MLflow
MLflow fokussiert auf Experiment Tracking und Model Registry; TFX bietet eine komplette Pipeline von Data Ingestion bis Serving.