流式軟件公司、 JFrog 軟件供應(yīng)鏈平臺的締造者JFrog，近日宣布與全托管機(jī)器學(xué)習(xí)（ML）平臺Qwak進(jìn)行全新技術(shù)整合，將機(jī)器學(xué)習(xí)模型與傳統(tǒng)軟件開發(fā)流程相結(jié)合，以簡化、加速和擴(kuò)展ML應(yīng)用的安全交付。

JFrog戰(zhàn)略執(zhí)行副總裁Gal Marder表示：“目前，數(shù)據(jù)科學(xué)家和ML工程師正在使用大量不同的工具來發(fā)布成熟的模型，而這些工具大多與企業(yè)內(nèi)的標(biāo)準(zhǔn) DevOps 流程脫節(jié)。這不僅拖慢了MLOps流程，有損安全性，還增加了構(gòu)建AI應(yīng)用的成本。以Artifactory和Xray為核心的JFrog平臺與Qwak的結(jié)合為用戶提供了一個完整的MLSecOps解決方案，使ML模型與其他軟件開發(fā)流程保持一致，為工程、MLOps、DevOps和DevSecOps團(tuán)隊的所有軟件組件創(chuàng)建了一個單一事實來源，從而使其能夠以最低的風(fēng)險和更低的成本，更快速地構(gòu)建和發(fā)布AI應(yīng)用?！?/p>

將 JFrog Artifactory 和 Xray 與 Qwak 的 ML平臺相結(jié)合，將 ML 應(yīng)用程序與現(xiàn)代化 DevSecOps 和 MLOps 工作流中的其他所有軟件開發(fā)組件結(jié)合在一起，使數(shù)據(jù)科學(xué)家、ML 工程師、開發(fā)人員、安全人員和 DevOps 團(tuán)隊能夠輕松、快速、安全地構(gòu)建 ML 應(yīng)用程序，并遵守所有監(jiān)管準(zhǔn)則。原生 Artifactory 集成將 JFrog 的通用 ML 模型注冊表與集中式 MLOps 平臺相連接，使用戶能夠輕松地構(gòu)建、訓(xùn)練和部署模型，并提高可視性、治理、版本管理和安全性。使用集中式平臺部署 ML 模型，還能讓用戶減少對基礎(chǔ)設(shè)施的關(guān)注，從而專注于核心數(shù)據(jù)科學(xué)任務(wù)。

IDC 的研究表明，雖然越來越多的用戶在使用AI/ML，但要想大規(guī)模地實現(xiàn)AI/ML 的全部優(yōu)勢，主要面臨三方面的障礙因素：實施和訓(xùn)練模型的成本，專業(yè)人才的短缺，以及AI/ML 缺乏統(tǒng)一的軟件開發(fā)生命周期流程。

JFrog軟件開發(fā)、DevOps 和 DevSecOps 項目副總裁 Jim Mercer 表示：“對于希望擴(kuò)展自身 MLOps 能力的企業(yè)來說，構(gòu)建 ML 管道可能是一件復(fù)雜、耗時且成本高昂的工作。這些自行構(gòu)建的解決方案不具備管理和保護(hù)大規(guī)模構(gòu)建、訓(xùn)練和調(diào)整 ML 模型過程的能力，而且?guī)缀醪痪邆淇刹杉{性。擁有一個有助于自動化開發(fā)的單一記錄系統(tǒng)，提供有據(jù)可查的出處鏈，并確保 ML 模型與所有其他軟件組件的安全性，為優(yōu)化 ML 流程提供了一個值得信賴的替代方案，同時提升了模型安全性和合規(guī)性。”

如果不具備ML運維（MLOps）所需的正確的基礎(chǔ)設(shè)施、平臺和流程，在構(gòu)建、管理和擴(kuò)展復(fù)雜的ML基礎(chǔ)設(shè)施，快速部署模型，并在避免高額費用的情況下確保模型的安全將會變得極為困難?；A(chǔ)設(shè)施的復(fù)雜性往往為企業(yè)帶來管理層面的挑戰(zhàn)，從而導(dǎo)致各種開發(fā)環(huán)境之間的身份驗證和安全協(xié)議成本高昂且耗時。

Qwak 首席執(zhí)行官 Alon Lev 表示：“如今，AI和 ML 已從遙遠(yuǎn)的未來轉(zhuǎn)變?yōu)闊o處不在的現(xiàn)實。構(gòu)建ML 模型是一個復(fù)雜而耗時的過程，因此對于許多數(shù)據(jù)科學(xué)家而言，將自己的想法轉(zhuǎn)化為可投入生產(chǎn)的模型并不容易。 雖然市場上有很多開源工具，但將所有這些工具組合在一起構(gòu)建一個全面的 ML 管道并非易事，因此我們很高興能與 JFrog 合作開發(fā)解決方案，使客戶能夠像使用 JFrog Artifactory 和 Xray 一樣安全地管理軟件供應(yīng)鏈，實現(xiàn) ML 制品和發(fā)布的自動化?！?/p>

JFrog安全研究團(tuán)隊在廣泛使用的AI模型庫Hugging Face中發(fā)現(xiàn)了惡意ML模型，這進(jìn)一步證實了安全的端到端MLOps流程勢在必行。他們的研究發(fā)現(xiàn)，Hugging Face 中的多個惡意 ML 模型帶來了威脅行為者執(zhí)行代碼的隱患，這可能導(dǎo)致數(shù)據(jù)泄露、系統(tǒng)受損或其他惡意行為。