流式软件公司、 JFrog 软件供应链平台的缔造者 JFrog （纳斯达克股票代码：FROG），近日宣布与全托管机器学习（ML）平台 Qwak 进行全新技术整合，将机器学习模型与传统软件开发流程相结合，以简化、加速和扩展 ML 应用的安全交付。
JFrog 战略执行副总裁 Gal Marder 表示：“目前，数据科学家和 ML 工程师正在使用大量不同的工具来发布成熟的模型，而这些工具大多与企业内的标准 DevOps 流程脱节。这不仅拖慢了 MLOps 流程，有损安全性，还增加了构建 AI 应用的成本。以 Artifactory 和 Xray 为核心的 JFrog 平台与 Qwak 的结合为用户提供了一个完整的 MLSecOps 解决方案，使 ML 模型与其他软件开发流程保持一致，为工程、MLOps、DevOps 和 DevSecOps 团队的所有软件组件创建了一个单一事实来源，从而使其能够以最低的风险和更低的成本，更快速地构建和发布 AI 应用。”
将 JFrog Artifactory 和 Xray 与 Qwak 的 ML 平台相结合，将 ML 应用程序与现代化 DevSecOps 和 MLOps 工作流中的其他所有软件开发组件结合在一起，使数据科学家、ML 工程师、开发人员、安全人员和 DevOps 团队能够轻松、快速、安全地构建 ML 应用程序，并遵守所有监管准则。原生 Artifactory 集成将 JFrog 的通用 ML 模型注册表与集中式 MLOps 平台相连接，使用户能够轻松地构建、训练和部署模型，并提高可视性、治理、版本管理和安全性。使用集中式平台部署 ML 模型，还能让用户减少对基础设施的关注，从而专注于核心数据科学任务。
IDC 的研究表明，虽然越来越多的用户在使用 AI / ML，但要想大规模地实现 AI / ML 的全部优势，主要面临三方面的障碍因素：实施和训练模型的成本，专业人才的短缺，以及 AI / ML 缺乏统一的软件开发生命周期流程。
JFrog 软件开发、DevOps 和 DevSecOps 项目副总裁 Jim Mercer 表示：“对于希望扩展自身 MLOps 能力的企业来说，构建 ML 管道可能是一件复杂、耗时且成本高昂的工作。这些自行构建的解决方案不具备管理和保护大规模构建、训练和调整 ML 模型过程的能力，而且几乎不具备可采纳性。拥有一个有助于自动化开发的单一记录系统，提供有据可查的出处链，并确保 ML 模型与所有其他软件组件的安全性，为优化 ML 流程提供了一个值得信赖的替代方案，同时提升了模型安全性和合规性。”
如果不具备 ML 运维（MLOps）所需的正确的基础设施、平台和流程，在构建、管理和扩展复杂的 ML 基础设施，快速部署模型，并在避免高额费用的情况下确保模型的安全将会变得极为困难。基础设施的复杂性往往为企业带来管理层面的挑战，从而导致各种开发环境之间的身份验证和安全协议成本高昂且耗时。
Qwak 首席执行官 Alon Lev 表示：“如今，AI 和 ML 已从遥远的未来转变为无处不在的现实。构建 ML 模型是一个复杂而耗时的过程，因此对于许多数据科学家而言，将自己的想法转化为可投入生产的模型并不容易。虽然市场上有很多开源工具，但将所有这些工具组合在一起构建一个全面的 ML 管道并非易事，因此我们很高兴能与 JFrog 合作开发解决方案，使客户能够像使用 JFrog Artifactory 和 Xray 一样安全地管理软件供应链，实现 ML 制品和发布的自动化。”
JFrog 安全研究团队在广泛使用的 AI 模型库 Hugging Face 中发现了恶意 ML 模型，这进一步证实了安全的端到端 MLOps 流程势在必行。他们的研究发现，Hugging Face 中的多个恶意 ML 模型带来了威胁行为者执行代码的隐患，这可能导致数据泄露、系统受损或其他恶意行为。
广告声明：文内含有的对外跳转链接（包括不限于超链接、二维码、口令等形式），用于传递更多信息，节省甄选时间，结果仅供参考，IT之家所有文章均包含本声明。