DVC

DVC resuelve un problema para el que Git no se diseñó: los archivos de datos grandes. Quienes trabajan con datos siguen conjuntos de datos y archivos de modelos con DVC, que guarda pequeños archivos de referencia en Git y deja los datos reales en almacenamiento local o en la nube, como S3 o Google Cloud Storage. Al volver a un commit antiguo, recupera los datos que le corresponden.

También admite pipelines reproducibles. Se definen etapas que toman datos y código como entradas y generan salidas, y DVC vuelve a ejecutar solo lo que ha cambiado. Los experimentos se pueden registrar y comparar, y las métricas y los gráficos se guardan con el repositorio. Hoy el proyecto lo mantiene lakeFS.

DVC es gratuito y de código abierto. Exige cierta soltura con Git y la línea de comandos. Entre las alternativas están lakeFS, Git LFS para casos más simples, MLflow, Weights & Biases Artifacts y Pachyderm. DVC encaja con científicos de datos que quieren control de versiones para sus datos.