JFrog، AWS برای یادگیری ماشینی در فضای ابری تیم می‌شوند

ادغام JFrog Amazon SageMaker مدل های یادگیری ماشین را در چرخه عمر توسعه نرم افزار گنجانده است.

ارائه‌دهنده زنجیره تامین نرم‌افزار JFrog در حال ادغام با پلتفرم یادگیری ماشین مبتنی بر ابر Amazon SageMaker است تا مدل‌های یادگیری ماشین را در چرخه عمر توسعه نرم‌افزار بگنجاند.

یکپارچه‌سازی پلت‌فرم JFrog با Amazon SageMaker که اکنون در دسترس است، تضمین می‌کند که مصنوعات تولید شده توسط دانشمندان داده برای توسعه برنامه‌های یادگیری ماشین از داخل JFrog Artifactory. JFrog گفت که جفت شدن JFrog-Amazon که در ۱۷ ژانویه اعلام شد، مدل‌های یادگیری ماشین را تغییرناپذیر، قابل ردیابی، ایمن و اعتبارسنجی می‌کند که برای انتشار بالغ می‌شوند.

این شرکت همچنین از قابلیت‌های نسخه‌سازی برای پلتفرم مدیریت مدل ML خود رونمایی کرد که به منظور کمک به اطمینان از اینکه انطباق و امنیت در هر مرحله از توسعه مدل گنجانده شده است.

JFrog گفت: ادغام JFrog Amazon SageMaker رویه‌های DevSecOps را برای مدیریت مدل یادگیری ماشین اعمال می‌کند، بنابراین توسعه‌دهندگان و دانشمندان داده می‌توانند توسعه پروژه‌های یادگیری ماشین را به شیوه‌ای در سطح سازمانی گسترش دهند و ایمن کنند. ادغام پلتفرم با SageMaker برای کاربران فعلی در دسترس است. با کار با AWS، JFrog یک گردش کار طراحی کرده است که این شیوه‌ها را برای توسعه مدل یادگیری ماشین در فضای ابری تلقین می‌کند و سرعت و امنیت را فراهم می‌کند. کاربران ادغام می توانند مزایای زیر را پیش بینی کنند:

• یادگیری ماشین را به چرخه‌های کاری توسعه و تولید نرم‌افزار نزدیک‌تر کنید و از مدل‌ها در برابر تغییر یا حذف محافظت کنید.
• توسعه، آموزش، و ایمن سازی مدل های یادگیری ماشین.
• تشخیص و مسدود کردن استفاده از مدل های مخرب.
• اسکن مجوزهای مدل برای اطمینان از انطباق با الزامات قانونی و خط‌مشی‌های شرکت.
• مسدود کردن استفاده از مدل‌های مخرب در سراسر یک سازمان.
• توزیع مدل های یادگیری ماشین به عنوان بخشی از نسخه نرم افزار.

JFrog همچنین قابلیت‌های جدیدی را برای پلتفرم مدیریت مدل ML خود اضافه کرده است که توسعه مدل را در SDLC ایمن سازمان آورده است. قابلیت های نسخه سازی شفافیت را در مورد نسخه های مدل افزایش می دهد. پروژه ها باید مطابق مقررات و سازمانی باشند.