Makine öğrenmesi iş yükleri Kubernetes'in alışıldık web servisi senaryosundan belirgin biçimde ayrılır. Eğitim işleri saatlerce süren, tamamlanınca sonlanan ve pahalı GPU kaynaklarını tekelleştiren toplu işlerdir; çıkarım servisleri ise düşük gecikme ve hızlı ölçekleme bekler. Bu iki farklı davranışı aynı kümede yan yana çalıştırmak, zamanlayıcı politikalarının, kaynak kotalarının ve öncelik sınıflarının bilinçli biçimde tasarlanmasını gerektirir. Program altı modül boyunca kümeyi makine öğrenmesi iş yüklerine hazırlar. Katılımcılar GPU düğüm havuzlarını yapılandırır, Job ve Kubeflow Training Operator ile dağıtık eğitim çalıştırır, kaynak kotalarını ve öncelik sınıflarını uygular, çıkarım servislerini otomatik ölçeklemeyle dağıtır. Laboratuvarlarda kaynak çakışması senaryoları bilinçli olarak yaratılır ve zamanlayıcı davranışı gözlemlenir. Katılımcı programdan çalışan bir ML kümesi yapılandırması ve kaynak yönetim politikası dokümanıyla ayrılır.