例如， 特色商店 （第一的 由 Uber 推出 2017 年）非常 团队还需要能够在模 有? 因为它们允许开发人员共享和发现 特征 他们可能没有想到这一点。 开发生命周期内进行协作。这包括管理、跟踪和重现实验。该领域领先的开源项目是 机器学习流但我们遇到过其他工具的用户，例如 权重和偏差 和 彗星，以及已经构建了自己的工具来管理 ML 实验的用户。
企业将需要额外的功能——包括安全性和访问控制。随着开发团 团队还需要能够在模 队构建和部署更多模型，模型管理和模型目录（用于管理数据的类似系统的类似物）也将是必需的。
第一类 MLOps
MLOps 是一套专注于机器学习生命周期生产化 WhatsApp 号码数据 的实践。这是一个相对较新的术语，它借鉴了持续集成 (CI) 和持续部署 (CD) 这两种广泛使用的软件开发实践。最近 Thoughtworks 帖子 列出了建立机器学习持续交付 (CD4ML) 的一些关键考虑因素。机器学 确定车祸后的责任可能很困难 习持续交付/持续交付的一些关键项目包括可重复性、实验管理和跟踪、模型监控和可观察性等。有几家初创公司和开源项目提供 MLOps 解决方案，包括 达塔特龙， 韦尔塔， 特发外汇， 和 机器学习流。
Ray 拥有一些组件
对于转向 CI/CD 或构建用于机器学习的 CI/CD 工具的公 列的 WhatsApp 号码 高度相 司非常有用。它已经拥有机器学习生命周期关键阶段的库： 训练 (RaySGD)、 调优 (Tune) 和 部署 (Serve)。通过访问无缝协作的库，用户可以更轻松地将 CI/CD 方法引入他们的 MLOps 实践中。