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凯发在线的解决方案，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。这些自行构建的凯发在线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 合作开发凯发在线的解决方案，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。