近日，JFrog宣布实现JFrog 和开发的开源软件平台的全新机器学习（ML）生命周期集成。继今年早些时候发布与Qwak和 的原生集成后，JFrog扩展了其通用AI解决方案，为企业提供以作为模型注册中心的单一记录系统。这项全新集成让JFrog用户在简化的端到端工作流中，结合所有其他软件开发组件，高效地构建、管理和交付ML 模型以及生成式AI（GenAI）驱动的应用程序。通过确保每个模型不可变性和可追溯性，企业可以验证ML模型的安全性和来源，从而发展负责任的AI实践。
JFrog与的集成实现无缝机器学习生命周期
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与的集成通过将常用的开源模型开发解决方案与企业成熟的工作流无缝结合，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 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 和的集成使ML工程师、、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 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 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 与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 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。
(8702246)
