- KitOps: admite paquetes para compartir y gestionar modelos, código, metadatos y artefactos
- LangChain: ayuda a desarrollar aplicaciones LLM personalizadas con una arquitectura modular
- Pachyderm: automatiza la transformación de datos
- ZenML: ayuda con el preprocesamiento de datos, el entrenamiento, la evaluación y el despliegue de modelos mediante una abstracción para crear pipelines de MLOps
- Prefect: permite construir pipelines de machine learning con los conceptos de tareas y flujos
- Ray: facilita escalar cargas de trabajo de machine learning durante el desarrollo de modelos
- Metaflow: ofrece una API unificada para llevar proyectos de IA desde el prototipo hasta la producción
- MLflow: ayuda a científicos de datos e ingenieros a gestionar el desarrollo de modelos y los experimentos
- Kubeflow: diseñado para simplificar la orquestación y el despliegue de flujos de trabajo de ML en clústeres de Kubernetes
- Seldon core: simplifica el despliegue, la entrega y la gestión de modelos de ML al convertir modelos de ML (TensorFlow, PyTorch, H2o, etc.) o envoltorios de lenguaje (Python, Java, etc.) en microservicios REST/GRPC listos para producción
- DVC: rastrea cambios en datos y modelos, como Git lo hace con el código, y puede ejecutarse sobre cualquier repositorio Git
- Evidently AI: plataforma de observabilidad diseñada para analizar y monitorear modelos de ML en producción
- Mage AI: framework de transformación e integración de datos para construir y automatizar pipelines de datos sin necesidad de mucho código
- ML Run: ofrece tecnología serverless para orquestar sistemas MLOps de extremo a extremo
- Kedro: framework de desarrollo de ML para crear código de ciencia de datos reproducible, mantenible y modular
- WhyLogs: biblioteca de registro de datos de código abierto diseñada para modelos de ML y pipelines de datos
- Feast: resuelve problemas de gestión y entrega de features de ML en entornos de desarrollo y producción
- Flyte: ofrece un SDK de Python para que científicos de datos e ingenieros de datos/analítica construyan flujos de trabajo y los desplieguen fácilmente en el backend de Flyte
- Featureform: almacén virtual de features que simplifica la gestión y entrega de features para modelos de ML por parte de científicos de datos
- Deepchecks: herramienta de monitoreo de ML para probar y validar continuamente modelos y datos desde los experimentos hasta el despliegue en proyectos de IA
- Argo: ofrece un motor de workflows nativo de Kubernetes para orquestar trabajos paralelos en Kubernetes
- Deep Lake: herramienta de base de datos especializada en ML, diseñada para funcionar como data lake para deep learning y como vector store para aplicaciones RAG
- Hopsworks feature store: ofrece una solución de extremo a extremo para gestionar el ciclo de vida de features de ML, desde la ingesta de datos y la ingeniería de features hasta el entrenamiento, despliegue y monitoreo de modelos
- NannyML: biblioteca de Python especializada en el monitoreo y mantenimiento de modelos de ML después de su despliegue
- Delta Lake: framework de capa de almacenamiento que aporta confiabilidad a los data lakes
1 comentarios
Vaya, qué lista tan buena
Estaría bueno que agregaran Optuna