- KitOps: oferece suporte a pacotes usados para compartilhar e gerenciar modelos, código, metadados e artefatos
- LangChain: ajuda no desenvolvimento de aplicações LLM personalizadas com uma arquitetura modular
- Pachyderm: automatiza a transformação de dados
- ZenML: ajuda no pré-processamento de dados, treinamento, avaliação e implantação de modelos por meio de abstrações para criação de pipelines de MLOps
- Prefect: estrutura pipelines de machine learning com os conceitos de tarefas e fluxos
- Ray: oferece suporte à escalabilidade fácil de workloads de machine learning durante o desenvolvimento de modelos
- Metaflow: fornece APIs integradas necessárias para levar projetos de IA do protótipo à produção
- MLflow: ajuda cientistas de dados e engenheiros a gerenciar o desenvolvimento e os experimentos com modelos
- Kubeflow: projetado para simplificar a orquestração e a implantação de workflows de ML em clusters Kubernetes
- Seldon core: simplifica a implantação, a disponibilização e o gerenciamento de modelos de ML ao converter modelos de ML (TensorFlow, PyTorch, H2o etc.) ou wrappers de linguagem (Python, Java etc.) em microsserviços REST/GRPC prontos para produção
- DVC: rastreia alterações em dados e modelos, assim como o Git faz com código, e pode ser executado sobre qualquer repositório Git
- Evidently AI: plataforma de observabilidade projetada para analisar e monitorar modelos de ML em produção
- Mage AI: framework de transformação e integração de dados para criar e automatizar pipelines de dados sem necessidade de muita programação
- ML Run: oferece tecnologia serverless para orquestrar sistemas MLOps de ponta a ponta
- Kedro: framework de desenvolvimento de ML para criar código de ciência de dados reproduzível, sustentável e modular
- WhyLogs: biblioteca open source de logging de dados projetada para modelos de ML e pipelines de dados
- Feast: resolve problemas de stakeholders ao gerenciar e servir features de ML em ambientes de desenvolvimento e produção
- Flyte: fornece um SDK em Python para que cientistas de dados e engenheiros de dados/análise construam workflows e os implantem facilmente no backend do Flyte
- Featureform: feature store virtual que simplifica para cientistas de dados o gerenciamento e a disponibilização de features para modelos de ML
- Deepchecks: ferramenta de monitoramento de ML que testa e valida continuamente modelos e dados ao longo de projetos de IA, do experimento à implantação
- Argo: fornece um motor de workflow nativo de Kubernetes para orquestrar trabalhos paralelos no Kubernetes
- Deep Lake: ferramenta de banco de dados especializada em ML, projetada para atuar como data lake para deep learning e vector store para aplicações RAG
- Hopsworks feature store: oferece uma solução de ponta a ponta para gerenciar o ciclo de vida de features de ML, da ingestão de dados e engenharia de features ao treinamento, implantação e monitoramento de modelos
- NannyML: biblioteca Python especializada em monitoramento e manutenção após a implantação de modelos de ML
- Delta Lake: framework de camada de armazenamento que fornece confiabilidade a data lakes
1 comentários
Nossa, que lista boa demais
Seria legal adicionar o Optuna também