- KitOps: รองรับแพ็กเกจที่ใช้สำหรับแชร์และจัดการโมเดล โค้ด เมทาดาทา และอาร์ติแฟกต์
- LangChain: ช่วยพัฒนาแอปพลิเคชัน LLM แบบคัสตอมด้วยสถาปัตยกรรมที่แยกเป็นโมดูล
- Pachyderm: ทำให้การแปลงข้อมูลเป็นอัตโนมัติ
- ZenML: ช่วยด้านการเตรียมข้อมูล การฝึกโมเดล การประเมินผล และการดีพลอย ผ่านการทำ abstraction สำหรับการสร้าง MLOps pipeline
- Prefect: สร้างแมชชีนเลิร์นนิงไปป์ไลน์ด้วยแนวคิดเรื่อง task และ flow
- Ray: รองรับการขยายแมชชีนเลิร์นนิงเวิร์กโหลดได้ง่ายระหว่างการพัฒนาโมเดล
- Metaflow: มี API แบบรวมศูนย์ที่จำเป็นต่อการนำโปรเจ็กต์ AI จากต้นแบบไปสู่การใช้งานจริง
- MLflow: ช่วยให้นักวิทยาศาสตร์ข้อมูลและวิศวกรจัดการการพัฒนาโมเดลและการทดลองได้
- Kubeflow: ออกแบบมาเพื่อทำ orchestration ของ ML workflow และทำให้การดีพลอยบน Kubernetes cluster ง่ายขึ้น
- Seldon core: ทำให้การดีพลอย การให้บริการ และการจัดการ ML model ง่ายขึ้น โดยแปลง ML model (เช่น TensorFlow, PyTorch, H2o) หรือ language wrapper (เช่น Python, Java) ให้เป็น REST/GRPC microservice ที่พร้อมใช้งานจริง
- DVC: ติดตามการเปลี่ยนแปลงของข้อมูลและโมเดลเหมือนที่ Git ทำกับโค้ด และสามารถทำงานบน Git repository ใดก็ได้
- Evidently AI: แพลตฟอร์ม observability ที่ออกแบบมาสำหรับวิเคราะห์และมอนิเตอร์ ML model ในโปรดักชัน
- Mage AI: เฟรมเวิร์กสำหรับแปลงและเชื่อมรวมข้อมูล ที่ช่วยสร้างและทำ data pipeline อัตโนมัติโดยไม่ต้องเขียนโค้ดมาก
- ML Run: ให้เทคโนโลยี serverless สำหรับทำ orchestration ระบบ MLOps แบบ end-to-end
- Kedro: เฟรมเวิร์กพัฒนา ML สำหรับสร้างโค้ด data science ที่ทำซ้ำได้ บำรุงรักษาได้ และเป็นโมดูล
- WhyLogs: ไลบรารีโอเพนซอร์สสำหรับทำ data logging ที่ออกแบบมาสำหรับ ML model และ data pipeline
- Feast: แก้ปัญหาการจัดการและให้บริการฟีเจอร์ ML ในทั้งสภาพแวดล้อมการพัฒนาและโปรดักชัน
- Flyte: ให้ Python SDK แก่นักวิทยาศาสตร์ข้อมูลและวิศวกรข้อมูล/วิเคราะห์เพื่อสร้าง workflow และดีพลอยไปยัง Flyte backend ได้ง่าย
- Featureform: virtual feature store ที่ช่วยให้นักวิทยาศาสตร์ข้อมูลจัดการและให้บริการฟีเจอร์ของ ML model ได้ง่ายขึ้น
- Deepchecks: เครื่องมือมอนิเตอร์ ML ที่ทดสอบและตรวจสอบความถูกต้องของ ML model และข้อมูลอย่างต่อเนื่อง ตั้งแต่ขั้นทดลองไปจนถึงการดีพลอยของโปรเจ็กต์ AI
- Argo: ให้ Kubernetes-native workflow engine สำหรับทำ orchestration งานแบบขนานบน Kubernetes
- Deep Lake: เครื่องมือฐานข้อมูลเฉพาะทางสำหรับ ML ที่ออกแบบให้ทำหน้าที่เป็น data lake สำหรับ deep learning และเป็น vector store สำหรับแอปพลิเคชัน RAG
- Hopsworks feature store: มอบโซลูชันแบบ end-to-end สำหรับจัดการวงจรชีวิตฟีเจอร์ ML ตั้งแต่การเก็บข้อมูลและ feature engineering ไปจนถึงการฝึกโมเดล การดีพลอย และการมอนิเตอร์
- NannyML: ไลบรารี Python ที่เชี่ยวชาญด้านการมอนิเตอร์และบำรุงรักษา ML model หลังการดีพลอย
- Delta Lake: เฟรมเวิร์กชั้นจัดเก็บข้อมูลที่เพิ่มความเชื่อถือได้ให้กับ data lake
1 ความคิดเห็น
ว้าว เป็นลิสต์ที่โคตรมีประโยชน์เลย
ถ้าเพิ่ม Optuna เข้าไปด้วยก็น่าจะดี