- KitOps: Unterstützt Pakete zum Teilen und Verwalten von Modellen, Code, Metadaten und Artefakten
- LangChain: Hilft bei der Entwicklung benutzerdefinierter LLM-Anwendungen mit modularer Architektur
- Pachyderm: Automatisiert Datentransformationen
- ZenML: Hilft bei Datenvorverarbeitung, Modelltraining, Bewertung und Bereitstellung durch Abstraktion für die Erstellung von MLOps-Pipelines
- Prefect: Erstellt Machine-Learning-Pipelines mit den Konzepten von Tasks und Flows
- Ray: Unterstützt die einfache Skalierung von Machine-Learning-Workloads während der Modellentwicklung
- Metaflow: Bietet eine integrierte API, die für die Ausführung von KI-Projekten von Prototyp bis Produktion erforderlich ist
- MLflow: Unterstützt Data Scientists und Engineers bei der Verwaltung von Modellentwicklung und Experimenten
- Kubeflow: Entwickelt, um die Orchestrierung und Bereitstellung von ML-Workflows in Kubernetes-Clustern zu vereinfachen
- Seldon core: Vereinfacht die Bereitstellung, Auslieferung und Verwaltung von ML-Modellen, indem ML-Modelle (TensorFlow, PyTorch, H2o usw.) oder Sprach-Wrapper (Python, Java usw.) in produktionsreife REST/GRPC-Microservices umgewandelt werden
- DVC: Verfolgt Daten- und Modelländerungen so wie Git es für Code tut und kann auf jedem Git-Repository ausgeführt werden
- Evidently AI: Eine Observability-Plattform zur Analyse und Überwachung von ML-Modellen in Produktion
- Mage AI: Ein Framework für Datentransformation und -integration, mit dem sich Datenpipelines ohne umfangreiches Coding aufbauen und automatisieren lassen
- ML Run: Bietet serverlose Technologie zur Orchestrierung eines End-to-End-MLOps-Systems
- Kedro: Ein ML-Entwicklungs-Framework zur Erstellung reproduzierbaren, wartbaren und modularen Data-Science-Codes
- WhyLogs: Eine Open-Source-Datenlogging-Bibliothek für ML-Modelle und Datenpipelines
- Feast: Löst Probleme von Stakeholdern bei der Verwaltung und Bereitstellung von ML-Features in Entwicklung und Produktion
- Flyte: Bietet Data Scientists sowie Daten-/Analyse-Engineers ein Python SDK zum Aufbau von Workflows, die sich leicht im Flyte-Backend bereitstellen lassen
- Featureform: Ein virtuelles Feature Store, das die Verwaltung und Bereitstellung von Features für ML-Modelle durch Data Scientists vereinfacht
- Deepchecks: Ein ML-Monitoring-Tool, das ML-Modelle und Daten von der Experimentierphase bis zur Bereitstellung kontinuierlich testet und validiert
- Argo: Bietet eine Kubernetes-native Workflow-Engine zur Orchestrierung paralleler Aufgaben in Kubernetes
- Deep Lake: Ein für ML spezialisertes Datenbank-Tool, das als Data Lake für Deep Learning und als Vektorspeicher für RAG-Anwendungen konzipiert ist
- Hopsworks feature store: Bietet eine End-to-End-Lösung zur Verwaltung des ML-Feature-Lebenszyklus von Datenerfassung und Feature Engineering bis zu Modelltraining, Bereitstellung und Monitoring
- NannyML: Eine Python-Bibliothek, die auf Monitoring und Wartung nach der Bereitstellung von ML-Modellen spezialisiert ist
- Delta Lake: Ein Storage-Layer-Framework, das Data Lakes Zuverlässigkeit verleiht
1 Kommentare
Wow, was für eine geniale Liste
Wäre gut, wenn
Optunanoch ergänzt würde