Egy kiterjedt, már létező Kubernetes-alapú adatcsővezeték profilozása memóriafogyasztás és futásidő szempontjából, hogy meghatározzuk az egyensúlyi pontokat a funkciók (pl. Azure Functions, Azure Logic App) használata között a Kubernetes dokkoló környezetének használata helyett. A vizsgálat alapjaként a Kubernetes-alapú (Argo munkafolyamat) adatcsővezeték lehetővé teszi az adatvezérelt fejlesztést a fejlett járművezető-asszisztens rendszer (ADAS) fejlesztésében, amely magában foglalja a generatív AI-t, a neurális hálózatokat, a vektoradatbázist, a metaadat-adatbázist és sok mást. Szükséges készségek: - Python - Kubernetes - Docker - Azure Function, Azure Logic Apps (opcionális)

Profile an extensive, already existing Kubernetes-based data pipeline from memory consumption and runtime perspective in order to define break-even points between using functions (e.g. Azure Functions, Azure Logic App) instead of using a dockerized environment on Kubernetes. As a bases for this investigation, the Kubernetes based (Argo workflow) data pipeline enables data-driven development in Advanced Driver-Assistance System (ADAS) development, involving generative AI, Neural Networks, vector database, metadata-database and many more. Required skills: - Python - Kubernetes - Docker - Azure Function, Azure Logic Apps (optional)