Model Share AI：Python下的协作机器学习模型开发、溯源追踪和部署的综合工具包

Sep, 2023

Model Share AI：Python下的协作机器学习模型开发、溯源追踪和部署的综合工具包

Model Share AI: An Integrated Toolkit for Collaborative Machine Learning Model Development, Provenance Tracking, and Deployment in Python

HTML

PDF

Heinrich Peters, Michael Parrott

TL;DR介绍了 Model Share AI (AIMS) 平台，旨在通过协作模型开发、模型追溯、模型部署等功能最大化机器学习研究的实际影响。

Abstract

machine learning (ML) has the potential to revolutionize a wide range of research areas and industries, but many ML projects never progress past the proof-of-concept stage. To address this issue, we introduce Model Share AI (AIMS), an easy-to-use →

发现论文，激发创造

DLHub：面向科研的模型和数据服务

介绍了 Data and Learning Hub for science (DLHub)，它是一个多租户系统，具有模型库和服务功能，并专注于科学应用，这解决了当前系统中的一些局限性。DLHub使用户能够共享、发布、验证、重现和重用模型，并通过简单的 Web 接口使用可扩展和低延迟的服务能力，以提高模型可用性和可访问性。

Nov, 2018

Gradio：无需烦恼地在互联网上分享和测试机器学习模型

开发了一个名为Gradio的Python开源包，它允许研究人员快速生成其ML模型的可视化界面，以改善机器学习领域中的访问性问题并便于交流与协作。

Jun, 2019

机器学习流水线：来源追溯性、可重现性和FAIR数据原则

本文介绍了支持机器学习流程端到端可重复性的目标和初步步骤，探讨了除源代码和数据集可用性之外影响机器学习实验证明性的因素，并提出了将FAIR数据实践应用于机器学习流程的方法。文中将ProvBook作为工具，分析了Jupyter Notebooks捕捉和比较机器学习实验及其可重复性的初步结果。

Jun, 2020

Git-Theta: 机器学习模型协作开发的Git扩展

本文介绍Git-Theta，这是一种适用于机器学习模型的版本控制系统，它可以追踪模型参数的细微变化并支持通信效率高的更新、模型合并和差异报告。通过公开发布Git-Theta，旨在开启协作模型开发的新时代。

Jun, 2023

模型DNA的模型来源

通过使用模型DNA的概念，该论文引入了一种用于确定源模型是否服务于目标模型的模型鉴别方法，通过编码模型的训练数据和输入输出信息为一种紧凑而全面的表示，从而实现了模型鉴别的有效框架。

Aug, 2023

feather -- 一个用于共享和部署模型的Python SDK

Feather是一个工具，允许模型开发者使用少于20行代码构建可共享的用户界面；该工具使用Python SDK来指定用户与之交互的可视组件，并提供URL和API端点以可视方式或编程方式访问和使用模型。本文讨论了Feather的动机、为AI研究人员和开发者提供的价值，并提供了全面的技术和实现细节。

Aug, 2023

分析Hugging Face上机器学习模型的演化与维护

通过对超过380,000个使用Hugging Face Hub API收集的数据进行仓库挖掘研究，旨在探索Hugging Face上托管的机器学习模型的社区参与、演化和维护等方面，以期为平台上未来的模型开发策略提供有价值的信息。

Nov, 2023

AI社群构建未来？对Hugging Face Hub上的开发活动进行定量分析

开源开发者在人工智能（AI）的政治经济中成为关键角色，开放模型开发被认为是封闭源AI开发的替代方案。然而，我们对开源AI的协作实践仍有有限的了解。本文通过对Hugging Face（HF） Hub上的开发活动进行三部分数量分析来填补这一空白，HF Hub是一个流行的构建、分享和展示模型的平台。

May, 2024

Deriva-ML:一种连续的FAIRness方法用于可重复机器学习模型

提出了一种基于FAIR原则的数据管理工具架构和实现，通过两个案例展示了如何利用这些工具提高基于机器学习的科学研究的质量。

Jun, 2024

机器学习驱动的软件系统中模型集成的大规模研究

本研究解决了目前对机器学习（ML）驱动的软件系统特征了解不足的问题。通过对2928个开源系统的分类与分析，提出了一种新的研究思路，揭示了ML模型的嵌入与集成实践。研究结果为从业者和研究人员提供了重要见解，促进数据科学与软件工程的结合。

Aug, 2024