1. Deepkit
Deepkit — это платформа с открытым исходным кодом и кроссплатформенное настольное приложение для выполнения, отслеживания и отладки современных экспериментов по машинному обучению. Благодаря встроенному инструменту управления сервером, позволяющему проводить эксперименты на любом сервере Linux простым щелчком мыши или командой CLI, он обеспечивает беспрепятственную совместную работу в команде и экспериментирование с моделями машинного обучения на разных уровнях. Пользователи могут сравнивать и сопоставлять модели, используя метрики и подробные аналитические данные. Он поддерживает Keras с Tensorflow, Tensorflow 2 с tf.keras и Pytorch через Python SDK.
Ссылки:
DeepKit GitHub
DeepKit Docs

2. Kubeflow
Проект Kubeflow призван сделать развертывание рабочих процессов машинного обучения (ML) в Kubernetes простым, переносимым и масштабируемым. Их цель — не воссоздавать другие сервисы, а предоставить простой способ развертывания лучших в своем классе систем с открытым исходным кодом для машинного обучения в различных инфраструктурах. Вы должны иметь возможность запускать Kubeflow везде, где вы используете Kubernetes.
Ссылки:
Введение
Создайте свой первый конвейер машинного обучения в Kubeflow

3. Streamlit
Streamlit — это библиотека Python с открытым исходным кодом, которая позволяет легко создавать красивые настраиваемые веб-приложения для машинного обучения и обработки данных и делиться ими. Всего за несколько минут вы сможете создать и развернуть мощные приложения для работы с данными.
Ссылки:
Документация по Streamlit
Мгновенное создание веб-приложения для машинного обучения с помощью Streamlit

4. MLflow
MLflow — это платформа с открытым исходным кодом для управления сквозным жизненным циклом машинного обучения. MLflow состоит из четырех компонентов: Отслеживание, Проекты, Модели и Реестр моделей. Вы можете использовать каждый из этих компонентов по отдельности — например, может быть, вы хотите экспортировать модели в формате модели MLflow без использования отслеживания или проектов — но они также предназначены для совместной работы.
Основная философия MLflow заключается в том, чтобы наложить как можно меньше ограничений на ваш рабочий процесс: он предназначен для работы с любой библиотекой машинного обучения, определяет большую часть вашего кода по соглашению и требует минимальных изменений для интеграции в существующую кодовую базу. В то же время MLflow стремится взять любую кодовую базу, написанную в его формате, и сделать ее воспроизводимой и пригодной для повторного использования несколькими специалистами по данным.
Ссылки:
MLFlow GitHub
Документация по MLflow

5. Cortext
Cortex – это мультиплатформенный инструмент с открытым исходным кодом, достаточно гибкий для использования в качестве инструмента обслуживания моделей, а также для таких целей, как мониторинг моделей.
Ссылки:
cortex.dev
Обзор Cortex

MLOps для облачных платформ
1. AWS SageMaker
2. Google Collab
3. TensorFlow Serving