JFrog และ AWS เร่งการพัฒนาการเรียนรู้ของเครื่องอย่างปลอดภัย

เผยแพร่ซ้ำโดยเพลโต

ผู้ติดตาม: 0

การผสานรวม JFrog Artifactory และ Amazon SageMaker ใหม่ช่วยให้นักพัฒนาและนักวิทยาศาสตร์ข้อมูลสามารถสร้าง ฝึกอบรม และปรับใช้โมเดล ML ในระบบคลาวด์ได้

ซันนีเวล แคลิฟอร์เนีย–(บิสิเนส ไวร์)–เจฟร็อก บจก. (“JFrog”) (Nasdaq: FROG) บริษัท Liquid Software และผู้สร้าง แพลตฟอร์มซัพพลายเชนซอฟต์แวร์ JFrogประกาศในวันนี้การรวมใหม่กับ อเมซอน SageMakerซึ่งช่วยให้บริษัทต่างๆ สร้าง ฝึกอบรม และปรับใช้โมเดลการเรียนรู้ของเครื่อง (ML) สำหรับกรณีการใช้งานใดๆ ด้วยโครงสร้างพื้นฐาน เครื่องมือ และเวิร์กโฟลว์ที่มีการจัดการเต็มรูปแบบ โดยการจับคู่ โรงงานประดิษฐ์ JFrog ด้วย Amazon SageMaker โมเดล ML สามารถจัดส่งควบคู่ไปกับส่วนประกอบการพัฒนาซอฟต์แวร์อื่นๆ ทั้งหมดในเวิร์กโฟลว์ DevSecOps สมัยใหม่ ทำให้แต่ละโมเดลไม่เปลี่ยนรูป ติดตามได้ ปลอดภัย และตรวจสอบความถูกต้องเมื่อครบกำหนดสำหรับการเผยแพร่ JFrog ยังได้เปิดตัวความสามารถในการกำหนดเวอร์ชันใหม่สำหรับมัน โซลูชันการจัดการโมเดล MLซึ่งช่วยให้มั่นใจได้ถึงการปฏิบัติตามกฎระเบียบและความปลอดภัยในทุกขั้นตอนของการพัฒนาโมเดล ML

“ในขณะที่บริษัทต่างๆ จำนวนมากเริ่มจัดการข้อมูลขนาดใหญ่ในระบบคลาวด์ ผู้นำทีม DevOps กำลังถามว่าพวกเขาสามารถปรับขนาดวิทยาศาสตร์ข้อมูลและความสามารถ ML เพื่อเร่งการส่งมอบซอฟต์แวร์ได้อย่างไรโดยไม่ทำให้เกิดความเสี่ยงและความซับซ้อน” Kelly Hartman รองประธานอาวุโสฝ่าย Global Channels and Alliances ของ JFrog กล่าว “การรวมกันของ Artifactory และ Amazon SageMaker สร้างแหล่งความจริงแห่งเดียวที่ปลูกฝังแนวทางปฏิบัติที่ดีที่สุดของ DevSecOps ให้กับการพัฒนาโมเดล ML ในระบบคลาวด์ ซึ่งมอบความยืดหยุ่น ความเร็ว ความปลอดภัย และความอุ่นใจ เข้าสู่ขอบเขตใหม่ของ MLSecOps”

ตาม การสำรวจล่าสุดของ Forrester50 เปอร์เซ็นต์ของผู้มีอำนาจตัดสินใจด้านข้อมูลระบุว่าการใช้นโยบายการกำกับดูแลภายใน AI/ML ถือเป็นความท้าทายที่ใหญ่ที่สุดในการใช้งานอย่างแพร่หลาย ในขณะที่ 45 เปอร์เซ็นต์ระบุว่าความปลอดภัยของข้อมูลและโมเดลเป็นปัจจัยเกตติ้ง การผสานรวม Amazon SageMaker ของ JFrog ใช้แนวทางปฏิบัติที่ดีที่สุดของ DevSecOps กับการจัดการโมเดล ML ซึ่งช่วยให้นักพัฒนาและนักวิทยาศาสตร์ข้อมูลสามารถขยาย เร่ง และรักษาความปลอดภัยการพัฒนาโปรเจ็กต์ ML ในลักษณะที่เป็นระดับองค์กร ปลอดภัย และปฏิบัติตามกฎระเบียบและการปฏิบัติตามกฎระเบียบขององค์กร

เจฟร็อกมาใหม่ การรวม Amazon SageMaker ช่วยให้องค์กรสามารถ:

รักษาแหล่งข้อมูลความจริงแห่งเดียวสำหรับนักวิทยาศาสตร์ข้อมูลและนักพัฒนา เพื่อให้มั่นใจว่าโมเดลทั้งหมดจะเข้าถึงได้ง่าย ตรวจสอบย้อนกลับได้ และป้องกันการงัดแงะ
นำ ML เข้าใกล้การพัฒนาซอฟต์แวร์และเวิร์กโฟลว์วงจรการใช้งานการผลิตมากขึ้น ปกป้องโมเดลจากการลบหรือแก้ไข
พัฒนา ฝึกอบรม รักษาความปลอดภัย และปรับใช้โมเดล ML
ตรวจจับและบล็อกการใช้โมเดล ML ที่เป็นอันตรายทั่วทั้งองค์กร
สแกนใบอนุญาตโมเดล ML เพื่อให้มั่นใจว่าสอดคล้องกับนโยบายของบริษัทและข้อกำหนดด้านกฎระเบียบ
จัดเก็บโมเดล ML ที่ปลูกเองหรือเสริมภายในด้วยการควบคุมการเข้าถึงที่แข็งแกร่งและประวัติการกำหนดเวอร์ชันเพื่อความโปร่งใสที่มากขึ้น
รวมและแจกจ่ายโมเดล ML โดยเป็นส่วนหนึ่งของการเปิดตัวซอฟต์แวร์ใดๆ

“กระบวนการพัฒนาซอฟต์แวร์แบบดั้งเดิมและการเรียนรู้ของเครื่องมีความโดดเด่น โดยขาดการผสานรวมกับเครื่องมือที่มีอยู่” แลร์รี คาร์วัลโญ่ อาจารย์ใหญ่และผู้ก่อตั้งกล่าว แข็งแกร่งคลาวด์- “JFrog Artifactory และ Amazon SageMaker ร่วมกันมอบสภาพแวดล้อมที่มีการควบคุมแบบครบวงจรสำหรับการเรียนรู้ของเครื่อง การนำโลกเหล่านี้มารวมกันแสดงให้เห็นถึงความก้าวหน้าที่สำคัญในการประสานขั้นตอนการเรียนรู้ของเครื่องจักรเข้ากับวงจรการพัฒนาซอฟต์แวร์และแนวปฏิบัติที่ดีที่สุดที่กำหนดไว้”

นอกเหนือจากการผสานรวม Amazon SageMaker แล้ว JFrog เปิดตัวความสามารถในการกำหนดเวอร์ชันใหม่ สำหรับตน โซลูชันการจัดการโมเดล ML ที่รวมการพัฒนาโมเดลเข้ากับเวิร์กโฟลว์ DevSecOps ขององค์กรเพื่อเพิ่มความโปร่งใสในแต่ละเวอร์ชันของโมเดล ดังนั้นนักพัฒนา ทีม DevOps และนักวิทยาศาสตร์ข้อมูลจึงสามารถมั่นใจได้ว่าจะใช้โมเดลเวอร์ชันที่ถูกต้องและปลอดภัย

การผสานรวม JFrog กับ Amazon SageMaker ซึ่งพร้อมใช้งานแล้วสำหรับลูกค้า JFrog และผู้ใช้ Amazon SageMaker ช่วยให้มั่นใจได้ว่าอาร์ติแฟกต์ทั้งหมดที่ใช้โดยนักวิทยาศาสตร์ข้อมูลหรือใช้ในการพัฒนาแอปพลิเคชัน ML จะถูกดึงและบันทึกใน JFrog Artifactory

หากต้องการดูรายละเอียดเพิ่มเติมเกี่ยวกับการผสานรวมและวิธีการทำงาน โปรดอ่าน บล็อกนี้- คุณยังสามารถลงทะเบียนเพื่อเข้าร่วม JFrog และ AWS ในวันพุธที่ 31 มกราคม เวลา 1 น. ET/10 น. PT สำหรับการสัมมนาผ่านเว็บเพื่อการศึกษา "การสร้างเพื่ออนาคต: DevSecOps ในยุคของการพัฒนาโมเดล AI/ML" อธิบายแนวทางปฏิบัติที่ดีที่สุดในการแนะนำการใช้แบบจำลองและการพัฒนาในห่วงโซ่อุปทานซอฟต์แวร์ที่ปลอดภัยและกระบวนการพัฒนา

ชอบเรื่องนี้ไหม? โพสต์สิ่งนี้บน X (เดิมชื่อ Twitter): .@jfrog เปิดตัวการบูรณาการใหม่กับ @awscloud SageMaker เพื่อปลดล็อก #ML #ความปลอดภัยและนวัตกรรมที่ดียิ่งขึ้นตลอดวงจรการพัฒนาซอฟต์แวร์ เรียนรู้เพิ่มเติม: https://jfrog.co/4aW18gT #SoftwareSupplyChain #DevSecOps #SDLC #การเรียนรู้ของเครื่อง #AI

เกี่ยวกับ JFrog

JFrog Ltd. (Nasdaq: FROG) มีภารกิจในการสร้างโลกแห่งซอฟต์แวร์ที่ส่งมอบโดยไม่มีความขัดแย้งระหว่างนักพัฒนาไปยังอุปกรณ์ ขับเคลื่อนด้วยวิสัยทัศน์ "ซอฟต์แวร์เหลว" JFrog Software Supply Chain Platform เป็นระบบบันทึกเดียวที่ขับเคลื่อนองค์กรต่างๆ ในการสร้าง จัดการ และแจกจ่ายซอฟต์แวร์ได้อย่างรวดเร็วและปลอดภัย ทำให้มั่นใจได้ว่าซอฟต์แวร์จะพร้อมใช้งาน ติดตามได้ และป้องกันการงัดแงะ คุณสมบัติการรักษาความปลอดภัยแบบผสานรวมยังช่วยระบุ ป้องกัน และแก้ไขภัยคุกคามและช่องโหว่ แพลตฟอร์มมัลติคลาวด์แบบไฮบริดที่เป็นสากลของ JFrog มีให้บริการทั้งแบบโฮสต์เองและบริการ SaaS ทั่วทั้งผู้ให้บริการคลาวด์รายใหญ่ ผู้ใช้หลายล้านรายและลูกค้ากว่า 7 รายทั่วโลก รวมถึงส่วนใหญ่ใน Fortune 100 ต่างพึ่งพาโซลูชันของ JFrog เพื่อตอบรับการเปลี่ยนแปลงทางดิจิทัลอย่างปลอดภัย เมื่อก้าวไปข้างหน้าแล้วจะไม่ถอยกลับ! เรียนรู้เพิ่มเติมได้ที่ jfrog.com และติดตามเราได้ที่ Twitter: @jfrog.

หมายเหตุข้อควรระวังเกี่ยวกับข้อความคาดการณ์ล่วงหน้า

ข่าวประชาสัมพันธ์นี้มีข้อความที่มีลักษณะเป็นการคาดการณ์ในอนาคต ตามที่คำดังกล่าวกำหนดไว้ภายใต้กฎหมายหลักทรัพย์ของรัฐบาลกลางสหรัฐอเมริกา ซึ่งรวมถึงแต่ไม่จำกัดเพียงข้อความที่เกี่ยวข้องกับ JFrog Artifactory และการรวม Amazon SageMaker ที่ทำให้เกิดการทำงานร่วมกันในการสร้างและปรับใช้โมเดล ML, ความสามารถในการกำหนดเวอร์ชันใหม่ของ JFrog สำหรับโซลูชันการจัดการโมเดล ML และประโยชน์ที่คาดว่าจะได้รับให้กับลูกค้า

ข้อความคาดการณ์ล่วงหน้าเหล่านี้ขึ้นอยู่กับสมมติฐาน ความคาดหวัง และความเชื่อในปัจจุบันของเรา และอยู่ภายใต้ความเสี่ยง ความไม่แน่นอน การสันนิษฐาน และการเปลี่ยนแปลงในสถานการณ์ที่อาจทำให้ผลลัพธ์ ประสิทธิภาพการทำงาน หรือความสำเร็จที่แท้จริงของ JFrog แตกต่างอย่างมากจากที่แสดงหรือบอกเป็นนัยในการส่งต่อใดๆ -กำลังมองหาคำสั่ง มีปัจจัยหลายประการที่อาจทำให้ผลลัพธ์ ประสิทธิภาพ หรือความสำเร็จที่แท้จริงแตกต่างอย่างมากจากข้อความที่จัดทำในข่าวประชาสัมพันธ์นี้ ซึ่งรวมถึงแต่ไม่จำกัดเฉพาะความเสี่ยงที่มีรายละเอียดในเอกสารที่ยื่นต่อสำนักงานคณะกรรมการกำกับหลักทรัพย์และตลาดหลักทรัพย์ ซึ่งรวมถึงรายงานประจำปีของเรา ในแบบฟอร์ม 10-K สำหรับปีที่สิ้นสุดวันที่ 31 ธันวาคม 2022 รายงานรายไตรมาสของเราในแบบฟอร์ม 10-Q และการยื่นและรายงานอื่นๆ ที่เราอาจยื่นต่อสำนักงานคณะกรรมการกำกับหลักทรัพย์และตลาดหลักทรัพย์เป็นครั้งคราว ข้อความคาดการณ์ล่วงหน้าแสดงถึงความเชื่อและสมมติฐานของเรา ณ วันที่เผยแพร่ข่าวประชาสัมพันธ์นี้เท่านั้น เราปฏิเสธภาระผูกพันในการปรับปรุงข้อความคาดการณ์ล่วงหน้า

ติดต่อ

ติดต่อสื่อ:
Siobhan Lyons ผู้จัดการอาวุโส MarComm, JFrog, siobhanL@jfrog.com

ติดต่อนักลงทุน:
Jeff Schreiner รองประธานฝ่ายนักลงทุนสัมพันธ์ jeffS@jfrog.com