行业研究表明,为创建新的AI驱动应用程序而构建的 ML 模型中,有 80% 或更多的模型无法部署,这主要是由于将模型集成到当前操作时存在技术障碍。JFrog与MLflow的集成通过将MLflow常用的开源模型开发解决方案与企业成熟的DevOps工作流无缝结合,帮助企业克服技术难题。从实验到生产,这一集成为ML模型提供端到端的可视性、自动化、可控性和可追溯性。
JFrog首席技术官Yoav Landman表示: “企业要想成功地接受并大规模交付AI和GenAI驱动的应用,开发人员和数据科学团队就必须像管理所有软件包一样,以可信赖的方式对模型进行管理。唯有使用一个通用的、可扩展的、统一针对所有二进制文件的单一记录系统才能实现这一目标,该系统可提供版本控制、生命周期控制和安全控制,而我们与MLflow的新集成可提供这些功能。”
JFrog MLOps:所有模型的单一事实来源
基于与市场上所有主要ML工具的成功集成,JFrog Artifactory 和 MLflow 的集成使 ML 工程师、Python、Java 和 R 开发人员能够自由地使用自己偏好的工具堆栈,并将 Artifactory 作为其黄金标准模型注册表。JFrog 的通用可扩展平台还能够原生代理 Hugging Face,使开发人员能够始终访问可用的开源模型,同时检测恶意模型并执行许可合规性。该解决方案还配备了JFrog平台提供的软件安全功能和扫描仪,以维护无风险的ML应用。
MLSecOps —— 值得信赖且经过策划的模型
JFrog安全研究团队最近在公开的Hugging Face AI库中发现了数百个恶意AI ML模型的实例,这构成了数据泄露或攻击的重大风险。这一事件凸显了潜伏于AI驱动系统中的潜在威胁,并强调了增强安全意识和维护网络安全的必要性。
JFrog Artifactory 与 MLflow 的集成将助力用户更轻松地构建、训练和部署模型,并利用 JFrog 的扫描环境,严格检查上传到 Hugging Face 的每个新模型,从而在安全性、模型管理、版本控制、可追溯性和信任度等方面实现更大的优化。