行业研究表明，为创建新的ai驱动应用程序而构建的 ml 模型中，有 80% 或更多的模型无法部署，这主要是由于将模型集成到当前操作时存在技术障碍。jfrog与mlflow的集成通过将mlflow常用的开源模型开发凯发在线的解决方案与企业成熟的devops工作流无缝结合，帮助企业克服技术难题。从实验到生产，这一集成为ml模型提供端到端的可视性、自动化、可控性和可追溯性。
jfrog首席技术官yoav landman表示： “企业要想成功地接受并大规模交付ai和genai驱动的应用，开发人员和数据科学团队就必须像管理所有软件包一样，以可信赖的方式对模型进行管理。唯有使用一个通用的、可扩展的、统一针对所有二进制文件的单一记录系统才能实现这一目标，该系统可提供版本控制、生命周期控制和安全控制，而我们与mlflow的新集成可提供这些功能。”
jfrog mlops：所有模型的单一事实来源
基于与市场上所有主要ml工具的成功集成，jfrog artifactory 和 mlflow 的集成使 ml 工程师、python、java 和 r 开发人员能够自由地使用自己偏好的工具堆栈，并将 artifactory 作为其黄金标准模型注册表。jfrog 的通用可扩展平台还能够原生代理 hugging face，使开发人员能够始终访问可用的开源模型，同时检测恶意模型并执行许可合规性。该凯发在线的解决方案还配备了jfrog平台提供的软件安全功能和扫描仪，以维护无风险的ml应用。
mlsecops —— 值得信赖且经过策划的模型
jfrog安全研究团队最近在公开的hugging face ai库中发现了数百个恶意ai ml模型的实例，这构成了数据泄露或攻击的重大风险。这一事件凸显了潜伏于ai驱动系统中的潜在威胁，并强调了增强安全意识和维护网络安全的必要性。
jfrog artifactory 与 mlflow 的集成将助力用户更轻松地构建、训练和部署模型，并利用 jfrog 的扫描环境，严格检查上传到 hugging face 的每个新模型，从而在安全性、模型管理、版本控制、可追溯性和信任度等方面实现更大的优化。