mlops

本番環境レベルのMLアプリケーションを開発、デプロイ、反復的に改善する方法を学ぶ。

Apache Airflow - ワークフローをプログラム的に作成、スケジューリング、監視するためのプラットフォーム

Qdrant - 次世代AIのための高性能・大規模ベクトルデータベースおよびベクトル検索エンジン。クラウドでも利用可能 (https://cloud.qdrant.io/)。

Label Studioは、標準化された出力形式を持つマルチタイプのデータラベリングおよびアノテーションツール

エージェント、LLM、MLモデルのためのオープンソースAIエンジニアリングプラットフォーム。MLflowは、あらゆる規模のチームがコストを管理し、モデルとデータへのアクセスを管理しながら、本番品質のAIアプリケーションをデバッグ、評価、監視、最適化できるようにします。

☁️ クラウドネイティブスタックでマルチモーダルAIアプリケーションを構築。

本番環境レベルのGenAIエージェントを構築するためのエンドツーエンド、コードファーストのチュートリアル。プロトタイプからエンタープライズデプロイメントまで対応。

機械学習をデプロイ、監視、バージョン管理、スケーリングするための素晴らしいオープンソースライブラリの厳選リスト。

データとAIアルゴリズムを瞬時に本番環境で利用可能なWebアプリケーションに変換します。

機械学習エンジニアリング オープンブック

AIエージェントを輝かせるための究極のトレーナー。

Kubernetes用ワークフローエンジン

Weaviateは、オブジェクトとベクトルを両方保存するオープンソースのベクトルデータベースであり、クラウドネイティブデータベースの耐障害性とスケーラビリティにより、ベクトル検索と構造化フィルタリングの組み合わせを可能にします。

データアセットの開発、本番運用、監視のためのオーケストレーションプラットフォーム

DataTalks.Clubによる無料のMLOpsコース

MLOpsのための厳選されたリファレンスリスト

DeepSeekやLlamaなどのオープンソースLLMを、クラウド上でOpenAI互換のAPIエンドポイントとして実行できます。

常にデータから何が期待できるかを知っておくこと。

AI開発者プラットフォーム。Weights & Biasesを使用してモデルのトレーニングとファインチューニングを行い、実験から本番環境までのモデル管理を行う。

例 📓 Amazon SageMaker を使用して機械学習モデルを構築、トレーニング、デプロイする方法を示す Jupyter ノートブック。

Kedroは本番環境対応のデータサイエンスのためのツールボックスです。ソフトウェアエンジニアリングのベストプラクティスを活用し、再現性、保守性、モジュール性のあるデータエンジニアリングおよびデータサイエンスパイプラインの作成を支援します。

最先端チームのためのAIコンピューティングプラットフォーム。SkyPilotは断片化されたAIコンピューティングを単一のAIスーパーコンピューターに変換し、最先端のAIチームがカスタムインテリジェンスをより速く構築できるようにします。

AI/ML システムの構築、管理、デプロイ

Python向けのオープンソースのローコードAutoMLプラットフォーム。PyCaret 4.0: sklearnネイティブエンジン + Reactコントロールプレーン。

Deeplakeはエージェント向けのAIデータランタイムです。マルチモーダルなデータレイクを備えたサーバーレスPostgresを提供し、スケーラブルな検索とトレーニングを可能にします。

AIアプリやモデルを配信する最も簡単な方法 - モデル推論API、ジョブキュー、LLMアプリ、マルチモデルパイプラインなどを構築！

EvidentlyはオープンソースのMLおよびLLMオブザーバビリティフレームワークです。表形式データからGen AIまで、あらゆるAI駆動システムやデータパイプラインを評価、テスト、監視できます。100以上のメトリクスを提供。

動的で回復力のあるAIオーケストレーション。AIワークフローを構築する際に、データ、モデル、コンピューティングを調整します。

AI/ML向けオープンソースFeature Store。

マルチモーダルAIのためのオープンLakehouseフォーマット。2行のコードでParquetから変換可能で、ランダムアクセス、ベクトルインデックス、データバージョン管理が100倍高速化。Pandas、DuckDB、Polars、Pyarrow、PyTorchと互換性があり、さらなる統合が予定されています。