MtoM Mag - Le journal de l'MtoM.

JFrog Ltd. (« JFrog »), inventeur du concept de « Liquid Software » et créateur de la JFrog Software Supply Chain Platform, annonce une nouvelle intégration avec la plateforme entièrement managée de machine learning (ML) Qwak. Cette collaboration permet de mettre les modèles de machine learning au même plan que les processus traditionnels de développement, afin de rationaliser, d’accélérer et d’assurer la livraison sécurisée d’applications de machine learning à plus grande échelle.

« Actuellement, les data scientists et ingénieurs en machine learning utilisent une variété d’applications hétérogènes et pour la plupart déconnectées des processus DevOps standards des organisations afin de porter leur modèle à maturité avant de les mettre en production. Cette approche ralentit les processus MLOps, compromet la sécurité, et augmente le coût lié à la création d’applications dopées à l’intelligence artificielle », déclare Gal Marder, vice-président exécutif chargé de la stratégie chez JFrog. « Grâce à ses technologies Artifactory et Xray, ainsi qu’à son intégration avec Qwak, notre plateforme JFrog offre aux utilisateurs une solution MLSecOps permettant d’aligner les modèles de machine learning sur les autres processus de développement de logiciels. Les développeurs, équipes MLOps, DevOps et DevSecOps bénéficient ainsi d’une source unique de vérité pour l’ensemble des composants logiciels, et peuvent concevoir et mettre en production des applications d’intelligence artificielle plus rapidement, avec un minimum de risques et à meilleur coût. »

Avec l’intégration entre JFrog Artifactory et Xray et la plateforme ML de Qwak, les applications de machine learning se retrouvent au même plan que les autres composants de développement logiciel d’un workflow DevSecOps et MLOps moderne. Les data scientists, ingénieurs en machine learning, développeurs et équipes DevOps et de sécurité peuvent ainsi créer des applications ML de manière rapide et sécurisée, et conformément à l’ensemble des réglementations. L’intégration native avec Artifactory permet de connecter le registre ML Model universel de JFrog à une plateforme MLOps centralisée sur laquelle les utilisateurs peuvent créer, entraîner et déployer des modèles en toute simplicité, tout cela avec une visibilité, une gouvernance, une gestion des versions et une sécurité renforcées.

L’utilisation d’une plateforme centralisée pour le déploiement de modèles de machine learning permet également aux utilisateurs de porter moins d’attention à l’infrastructure et davantage à leurs activités de data science.

Selon une enquête publiée par IDC, bien que l’adoption de l’IA/du machine learning progresse, le coût lié à la mise en œuvre et à l’entraînement de modèles, la pénurie de personnel qualifié et l’absence de processus consolidés de gestion du cycle de développement dédiés représentent les trois principaux facteurs empêchant de tirer pleinement parti de ces technologies à grande échelle.

« La création de pipelines de machine learning peut être un processus complexe, lent et coûteux pour les organisations cherchant à développer leurs capacités en matière de MLOps. Ces solutions faites maison ne sont pas adaptées pour gérer et protéger le processus de création, d’entraînement et de réglage de modèles de machine learning à grande échelle, et offrent une vérifiabilité limitée », déclare Jim Mercer, vice-président des programmes de développement, DevOps et DevSecOps. « Notre système d’enregistrements unique facilite l’automatisation du développement, offre une chaîne de provenance documentée, et assure la sécurité des modèles de machine learning ainsi que de l’ensemble des autres composants logiciels. Les utilisateurs bénéficient ainsi d’une excellente alternative pour optimiser le processus ML, tout en renforçant la sécurité et la conformité des modèles. »

En l’absence de l’infrastructure, de la plateforme et des processus nécessaires aux opérations de machine learning (MLOps), il est difficile de créer, gérer et développer une infrastructure ML complexe, de déployer rapidement des modèles, et de les sécuriser sans encourir des coûts excessifs. Les entreprises ont souvent du mal à gérer la complexité de leur infrastructure, ce qui rend les protocoles de sécurité et d’authentification entre plusieurs environnements de développement plus chers et lents.

« Récemment, l’IA et le machine learning sont passés du statut de perspective lointaine à celui de réalité omniprésente. La création de modèles ML est un processus complexe et chronophage. C’est la raison pour laquelle de nombreux data scientists éprouvent encore des difficultés à traduire leurs idées en modèles prêts à mis en production », déclare Alon Lev, CEO de Qwak. « Bien qu’il existe une multitude d’outils open source sur le marché, il n’est pas facile de les réunir pour aboutir à un pipeline ML complet. Nous sommes donc ravis de collaborer avec JFrog autour d’une solution permettant d’automatiser les artefacts et la mise en production d’applications de machine learning, tout cela de manière aussi sécurisée que lorsque les clients gèrent leur chaîne d’approvisionnement logicielle avec JFrog Artifactory et Xray. »

La découverte récente par l’équipe de JFrog Security Research de modèles ML malveillants dans Hugging Face, un référentiel de modèles d’IA jouissant d’une grande popularité, a confirmé une fois de plus la nécessité de mettre en place des processus MLOps sécurisés de bout en bout. Leur enquête a en effet révélé que plusieurs de ces produits présentaient une menace d’exécution de code à distance par des entités mal intentionnées, qui pourrait provoquer des fuites de données, la compromission de systèmes ou d’autres actions malveillantes.

https://www.jfrog.com/