图片来源：任意尺度
图 1：Open Source Ray 可用于为机器学习平台构建可插拔组件。蓝色框 但与社区人士的对话不断 是一些在其上构建了库的组件。
许多用户正在构建 机器学习工具和平台这是一个活跃的领域：一些初创公司和云平台开始提供端到端机器学习平台，包括亚马逊、Databricks、谷歌和微软。 回到这个工具来解决许多未解决的挑战。
Ray 的库集合可以与其他 ML 平台组件一起使用。与单片平台不同，用户可 但与社区人士的对话不断 以灵活地使用一个或多个现有库，也可以使用它来构建自己的库。已经包含此类功能的部分机器学习平台包括：
Azure 机器学习
亚马逊 SageMaker
未来之星在其 ML 云服务中使用它
蚂蚁金服 用于流媒体和在线学习
Facebook 的优雅的视 WhatsApp 号码数据 野 利用它进行分布式训练
英特尔分析动物园 允许用户直接在 Apache Hadoop/YARN 上运行程序
火焰
在这篇文章中，我们将分享与许多 ML 平台构建者对话后 员工跟踪系统 – SaleBee CRM 得出的见解。我们将列出对于确保您的 ML 平台适合现代 AI 应用程序至关重要的功能。我们还将说明，构建 ML 平台和 ML 组件的开发人员应该考虑这样的平台，因为它拥有一个独立库生态系统，可用于解决我们在下面列出的一些问题。
生态系统整合
开发人员和机器学习工程师使用各种工具 列的 WhatsApp 号码 高度相 和编程语言（R、Python、Julia、SAS 等）。但随着深度学习，Python 已成为机器学习的主导编程语言。因此，无论如何，ML 平台都需要支持 Python 和 Python 生态系统。
实际上，开发人员和机器学习工程师依赖许多不同的 Python 库和工具。最广泛使用的库包括深度学习工具（TensorFlow、PyTorch）、机器学习和统计建模库（scikit-learn、 统计模型)、NLP 工具（spaCy， 拥抱脸， 艾伦NLP) 和模型调整 (Hyperopt，调）。