ClearML

ClearML aide les équipes de machine learning à garder leur travail organisé et reproductible. Ajouter quelques lignes de code à un script d’entraînement enregistre paramètres, métriques, versions de code et sorties sur un serveur central, pour que les expériences se comparent et se répètent. Ça remplace des notebooks éparpillés et des notes manuelles.

La suite va au-delà du suivi. Elle inclut le versionnage de jeux de données, une file de tâches qui envoie les jobs vers les machines disponibles, des pipelines qui enchaînent les étapes, et le serving de modèles. Pour les entreprises aux GPU chers, l’ordonnancement des ressources partage le hardware entre les équipes. ClearML prend aussi en charge l’orchestration de workflows de grands modèles de langage.

Le cœur est open source et peut s’auto-héberger, et il y a un service hébergé géré avec des offres gratuites et payantes. Mettre en place la pile complète demande un peu de compétence DevOps. Parmi les alternatives : Weights & Biases, MLflow, Comet, Neptune et Kubeflow. ClearML convient aux équipes qui veulent un outil MLOps tout-en-un, auto-hébergeable.