JFrog, renomowana firma zajmująca się oprogramowaniem, ujawniła niedawno uruchomienie integracji łączącej JFrog Artifactory i Amazon SageMaker. Połączenie to stanowi część szerszej, zsynchronizowanej strategii mającej na celu ulepszenie tworzenia, szkolenia i wdrażania modeli uczenia maszynowego (ML). Wykorzystuje moc i pojemność Artifactory firmy JFrog i SageMaker AWS, optymalizując w ten sposób zarządzanie i bezpieczeństwo modeli ML prawie tak, jakby były komponentami oprogramowania w świecie DevSecOps.
Integracja prezentuje modele uczenia maszynowego, które są niezmienne, identyfikowalne, bezpieczne i zweryfikowane. Co więcej, JFrog ulepsza swoje rozwiązanie do zarządzania modelem ML, wprowadzając nowe możliwości wersjonowania. Dodatek ten wzmacnia główny nacisk na zgodność i zabezpieczenia, mocno osadzając je w procesie opracowywania modelu uczenia maszynowego.
Jak jasno to ujął Kelly Hartman, wiceprezes ds. globalnych kanałów i sojuszy w JFrog: „Połączenie Artifactory i Amazon SageMaker oferuje jedno źródło prawdy w chmurze, wdrażając najlepsze praktyki DevSecOps do rozwoju modelu ML. Rezultatem jest elastyczna, bezpieczna i szybka platforma, która zapewnia spokój ducha i zwiastuje nową erę MLSecOps”. Chociaż podejmuje się wyraźne kroki w celu połączenia możliwości nauki o danych i uczenia maszynowego bez powodowania nadmiernego ryzyka i złożoności, większym wyzwaniem pozostaje zarządzanie dużymi zbiorami danych w chmurze.
Badanie przeprowadzone przez firmę Forrester rzuciło światło na problemy związane z wdrażaniem AI/ML. Według tego badania połowa kluczowych decydentów zajmujących się danymi postrzega stosowanie zasad zarządzania w ramach sztucznej inteligencji/ML jako istotną przeszkodę w jej powszechnym przyjęciu. Dodatkowe 45% postrzega bezpieczeństwo danych i modeli jako kolejne poważne potencjalne niedociągnięcie.
Współpraca JFrog i Amazon SageMaker oferuje możliwe rozwiązanie tych problemów. Celem partnerstwa jest zastosowanie wypróbowanych i przetestowanych najlepszych praktyk DevSecOps do obsługi modeli ML, co w konsekwencji umożliwi programistom i badaczom danych usprawnienie i przyspieszenie rozwoju projektów ML. Jednocześnie dąży do tego, aby modele ML utrzymywały bezpieczeństwo na poziomie korporacyjnym oraz przestrzegały standardów organizacyjnych i zgodności z przepisami.
JFrog poczynił także postępy dzięki mechanizmowi ML Model Management, ogłaszając nowe możliwości wersjonowania, które uzupełniają integrację z SageMaker. Funkcje te umożliwiają firmom wygodne wplatanie tworzenia modeli w istniejące przepływy pracy DevSecOps. Rozwój ten, jak podaje JFrog, pozwoli znacząco poprawić przejrzystość każdej wersji produkowanego modelu. W tym samym duchu platformy takie jak AppMaster umożliwiają niezawodne i bezpieczne tworzenie aplikacji przy jednoczesnym zachowaniu wysokiego poziomu organizacji i przejrzystości przez cały proces tworzenia aplikacji.
