构建ML模型是困难的。将它们投入生产则更加困难。随着时间的推移，保持数据质量和模型的准确性只是其中的一些挑战。Databricks独特地简化了ML开发，从数据准备到模型培训和部署。
之前
后
了解Databricks如何帮助协作准备数据，构建，部署和管理最先进的ML模型，
从实验到生产，规模空前。
所有你需要完成的工作都可以在工作区中一键完成:数据集、ML环境、笔记本、文件、实验、模型，都可以安全地在一个地方使用。
支持多语言(Python, R, Scala, SQL)的协作笔记本使团队合作更容易，同时协同创作，Git集成，版本控制，基于角色的访问控制等，帮助您保持控制。或者简单地使用熟悉的工具，如Jupyter Lab, PyCharm, IntelliJ, RStudio与Databricks，以受益于无限的数据存储和计算。
机器学习从业者在各种各样的数据形式和格式上训练模型:小型或大型数据集、dataframe、文本、图像、批处理或流。所有这些都需要特定的管道和转换
Databricks允许您从几乎任何来源摄取原始数据，合并批处理和流数据，计划转换，版本表，并执行质量检查，以确保数据是原始的，并为组织的其他部分进行分析做好准备。因此，现在您可以根据需要无缝可靠地处理任何数据、CSV文件或海量数据湖摄取。
ML框架正在以疯狂的速度发展，这使得维护ML环境具有挑战性。Databricks ML Runtime提供了现成的、优化的ML环境，包括最流行的ML框架(scikit-learn、TensorFlow等)和Conda支持。
内置的AutoML就像超参数调优有助于更快地得到结果，简化的缩放可以帮助你毫不费力地从小数据到大数据，这样你就不必再受计算量的限制了。例如，通过使用HorovodRunner在集群中分布计算来更快地训练深度学习模型，并通过运行cuda优化版本的TensorFlow来提高集群中每个GPU的性能。
ML算法有几十个可配置参数，无论是单独工作还是作为团队工作，都很难跟踪每个实验中使用了哪些参数、代码和数据来生成模型。
MLflow自动跟踪您的实验，以及在笔记本中运行的每次训练的数据、代码、参数和结果等工件。因此，您可以快速查看以前的运行，比较结果，并根据需要恢复到以前版本的代码。一旦您确定了用于生产的模型的最佳版本，请将其注册到中央存储库中，以便提交它进行部署并简化交接。
一旦注册了训练好的模型，您就可以使用MLflow模型注册中心在它们的生命周期中协作地管理它们。
模型可以通过不同的阶段进行版本控制和移动，比如实验、分期、生产和存档。涉众可以评论并向变更阶段提交请求。所有生命周期管理都集成了审批和治理工作流以及基于角色的访问控制。
在Apache Spark™上快速部署用于批处理推理的生产模型，或使用与Docker容器、Azure ML和Amazon SageMaker的内置集成作为REST api。
使用作业调度器和自动管理集群来操作生产模型，以根据业务需求进行扩展。
使用Delta Lake和MLflow快速将模型的最新版本推向生产并监测模型漂移。
准备好开始了吗?
