{"id":136291,"date":"2024-07-10T13:18:59","date_gmt":"2024-07-10T11:18:59","guid":{"rendered":"https:\/\/jfrog.com\/blog\/jfrog-to-acquire-qwak-to-streamline-ai-models\/"},"modified":"2024-09-15T11:39:09","modified_gmt":"2024-09-15T09:39:09","slug":"jfrog-to-acquire-qwak-to-streamline-ai-models","status":"publish","type":"post","link":"https:\/\/jfrog.com\/de\/blog\/jfrog-to-acquire-qwak-to-streamline-ai-models\/","title":{"rendered":"JFrog & Qwak: Beschleunigen der Produktionsreife von Modellen\u00a0\u2013 DevOps"},"content":{"rendered":"

\"JFrog<\/p>\n

Wir freuen uns gemeinsam, einige aufregende Neuigkeiten zu teilen: Qwak wird Teil der JFrog-Familie! Vor fast vier Jahren wurde Qwak mit der Vision gegr\u00fcndet, Ingenieuren f\u00fcr maschinelles Lernen (ML) die M\u00f6glichkeit zu bieten, wirklichen Einfluss mit ihren ML-basierten Produkten auszu\u00fcben und bedeutende Gesch\u00e4ftsergebnisse zu erzielen. Unsere Mission war es schon immer, die Bereitstellung von ML-Anwendungen zu beschleunigen, zu skalieren und zu sichern.<\/p>\n

Dieses neue Kapitel mit JFrog ist ein wichtiger Meilenstein der Qwak-Reise, und wir freuen uns auf die Zusammenarbeit. Die Erstellung von ML-Modellen ist komplex und zeitintensiv, und viele Datenwissenschaftler haben Schwierigkeiten, Konzepte in produktionsreife Modelle umzuwandeln – geschweige denn, sie selbst in die Produktion zu bringen. Die L\u00fccke zwischen MLOps- und DevSecOps-Workflows<\/a> zu schlie\u00dfen, ist entscheidend, um diesen Prozess zu vereinfachen.<\/p>\n

Was ist eine ML-Plattform?<\/h2>\n

Der Aufbau von Modellen f\u00fcr maschinelles Lernen ist eine komplexe und vielschichtige Aufgabe. Es umfasst mehrere kritische Phasen, einschlie\u00dflich der Modellentwicklung, der Hyperparameterkonfiguration und der Durchf\u00fchrung zahlreicher "Experimente" zur Optimierung der Leistung. Sobald ein zufriedenstellendes Modell erhalten ist, besteht der n\u00e4chste Schritt darin, ein einsetzbares Artefakt zu erstellen, das f\u00fcr reale Anwendungen in Produktionssysteme integriert werden kann. Dieser Prozess erfordert nicht nur technisches Fachwissen, sondern auch ein tiefes Verst\u00e4ndnis der Problemdom\u00e4ne, sorgf\u00e4ltige Planung und strenge Tests, um die Zuverl\u00e4ssigkeit und Effizienz des Modells in einer Live-Umgebung sicherzustellen.<\/p>\n

Diese Aufgabe ist mit dem Aufkommen von generativer KI (GenAI) und Anwendungen mit Large Language Models (LLMs) noch komplizierter geworden. Herk\u00f6mmliche ML-Modelle konzentrieren sich in der Regel auf bestimmte Aufgaben wie Klassifizierung, Regression oder Clustering auf der Grundlage strukturierter oder halbstrukturierter Daten. Im Gegensatz dazu sind LLMs, wie sie in GenAI verwendet werden, darauf ausgelegt, menschen\u00e4hnlichen Text zu verstehen und zu generieren, wodurch sie f\u00fcr eine Vielzahl von Anwendungen wie die Verarbeitung nat\u00fcrlicher Sprache, Konversationsagenten und die automatisierte Erstellung von Inhalten geeignet sind (dies zeigt sich am rasanten Aufstieg von ChatGPT und \u00e4hnlichen Technologien sowie an den unz\u00e4hligen Chatbots und "Assistenten"-Technologien). Der Umfang der Operationen und die Dynamik der Interaktionen in GenAI-Anwendungen erh\u00f6hen die Anforderungen an die Entwicklungs- und Bereitstellungsprozesse erheblich, so dass es unerl\u00e4sslich ist, \u00fcber spezialisierte Tools und Strategien zu verf\u00fcgen, um diese Herausforderungen effektiv zu bew\u00e4ltigen.<\/p>\n

\"MLOps<\/p>\n

ML-Plattformen wie Qwak adressieren drei kritische Bereiche innerhalb dieser Herausforderungen, um Unternehmen bei der Bew\u00e4ltigung der Komplexit\u00e4t bei der Bereitstellung von maschinellem Lernen und KI-Anwendungen zu unterst\u00fctzen:<\/p>\n

    \n
  1. MLOps<\/strong>: Umfassende L\u00f6sungen zum Erstellen, Trainieren und Bereitstellen von Machine Learning-Modellen. Von der Versuchsverwaltung bis zur Produktionsbereitstellung deckt dieser Bereich den gesamten Lebenszyklus von ML-Modellen ab und gew\u00e4hrleistet Effizienz und Skalierbarkeit.<\/li>\n
  2. LLMOps<\/strong>: Mit Speziall\u00f6sungen lassen sich die einzigartigen Herausforderungen gro\u00dfer sprachmodellbasierter Anwendungen meistern. Dazu geh\u00f6ren die Verwaltung von Aufforderungen, der Umgang mit komplexen Architekturen und die Implementierung fortschrittlicher \u00dcberwachungstechniken, um optimale Leistung und Zuverl\u00e4ssigkeit zu liefern.<\/li>\n
  3. Feature-Store<\/strong>: Eine robuste Daten-Engine, die die Anforderungen von Data Scientists unterst\u00fctzt, einschlie\u00dflich Featurepipelines, Featurebereitstellung und der M\u00f6glichkeit, Vektoren zu erstellen und zu speichern. Diese Komponente stellt sicher, dass die richtigen Daten f\u00fcr die Modellentwicklung und -bereitstellung leicht verf\u00fcgbar sind.<\/li>\n<\/ol>\n

    Vorteile der Zusammenarbeit von JFrog und Qwak<\/h2>\n

    W\u00e4hrend MLOps-Plattformen Data Scientists die Arbeit an Modellen bis zur Produktionsreife in vielen Punkten erleichtern, gibt es viele Bereiche, die sie m\u00f6glicherweise nicht im Alleingang bew\u00e4ltigen k\u00f6nnen. Nach unserer ersten Integration<\/a> und w\u00e4hrend wir gemeinsam an vollst\u00e4ndig integrierten L\u00f6sungen arbeiten, erg\u00e4nzen sich JFrog und Qwak, um Einzelpersonen und Unternehmen dabei zu helfen, schneller und zuverl\u00e4ssiger hochwertige KI-Ergebnisse zu liefern. Dies l\u00e4sst sich auf drei Schl\u00fcsselbereiche reduzieren:<\/p>\n

      \n
    1. Beschleunigte Entwicklung<\/strong>: Durch die Integration der verwalteten ML-Plattform von Qwak mit den DevSecOps-Werkzeugen von JFrog k\u00f6nnen Entwicklungsteams ihre Arbeitsabl\u00e4ufe optimieren und die Zeit von der Modellkonzeption bis zur Produktionsreife verk\u00fcrzen.<\/li>\n
    2. Verbesserte Sicherheit<\/strong>: Die umfassende Sicherheitssuite von JFrog sorgen daf\u00fcr, dass ML-Modelle in jeder Phase des Lebenszyklus sicher sind, von der Entwicklung bis zum Einsatz. Diese Integration wird dazu beitragen, Schwachstellen zu erkennen und Risiken bei herk\u00f6mmlichen Komponenten und ML-Modellen selbst fr\u00fchzeitig zu mindern.<\/li>\n
    3. Verbesserte Zusammenarbeit<\/strong>: Diese Integration wird eine bessere Zusammenarbeit zwischen Datenwissenschaftlern, Entwicklern und Sicherheitsteams f\u00f6rdern. Durch die Verwendung einer gemeinsamen Plattform k\u00f6nnen diese Teams effektiver zusammenarbeiten, was zu qualitativ hochwertigeren Software-Releases und weniger Zeit f\u00fcr die Bearbeitung von Problemen \u00fcber Toolsets und Abteilungen hinweg f\u00fchrt.<\/li>\n<\/ol>\n
      \n

      TIPP: Um sofort mit JFrog- und Qwak-L\u00f6sungen zu beginnen, lesen Sie bitte diese Schritt-f\u00fcr-Schritt-Anleitung<\/a>.<\/strong><\/p>\n

      \n

      Sowohl ML-Engineering-\/Data-Science-Teams als auch DevSecOps-Experten werden wichtige technische Funktionen zur gegenseitigen Unterst\u00fctzung erkennen, die die Arbeit vereinfachen und beschleunigen:<\/p>\n