欧盟《人工智能法》引入了严格的指导方针，以规范在欧盟运营的组织以及在欧盟以外但有运营和用户在欧盟的组织中开发和部署人工智能系统。如果你是一名数据科学家或机器学习工程师，了解这些法规如何影响你的工作非常重要。如果不遵守这些规定，可能导致严重的处罚，包括超过3500万欧元的罚款。

为了帮助您应对这些新要求并避免潜在的风险，我们汇总了一份符合欧盟AI法案的机器学习操作（MLOps）工具列表。将这些工具集成到您的工作流程中可以确保您的AI解决方案不仅有创新性，而且负责任且符合欧盟的法规。了解更多安全资讯。

超文本：符合欧盟AI法案的MLOps工具列表
以下是10个符合欧盟AI法案的MLOps工具：

开源软件:

1. KitOp: 一个确保所有AI项目资产透明、集中且不可篡改记录保存的版本控制系统。
2. Kubeflow: 提供端到端的管道编排，具有强大的可观测性和人工监督。
3. MLflow: 提供强大的治理、数据追踪和实验管理。
4. ZenML: 专注于数据完整性和工作流标准化。
5. ClearML: 管理从数据准备到版本控制的整个机器学习生命周期，强调数据准备和版本控制。
6. H2O.ai: 强调负责任的AI，专注于数据完整性保障和偏见检测与识别。

专有工具:

1. DataRobot: 支持自动化机器学习，主要关注管理和监控。
2. Comet: 追踪实验并监控模型性能，确保符合合规要求。

兼具两者：

1. 权重与偏差: 跟踪实验，确保实验的透明度和可重复性。虽然主要是专有的，但也提供了一些开源组件。
2. Fiddler AI (Fiddler AI): 提高模型的可解释性和监控，结合专有工具与开源功能。

我们来探讨欧盟人工智能法，并看看这些工具是否符合法规要求。

欧盟的《人工智能法》（EU AI Act）是一个旨在规范和管理欧盟内部的的人工智能系统部署和使用的法律框架。根据该文件，人工智能应用分为四个风险等级：

• 不可接受的风险包括: 根据欧盟《人工智能法》,被认为是有害的AI系统被全面禁止。这包括利用特定群体的弱点,例如儿童的精神健康或其他易受伤害的地方的AI系统。

• 高风险的AI系统: 比如在医疗、教育和交通等领域，对基本人权保障构成重大威胁。

• 有限风险： 中等风险的系统，需要采取透明度措施，比如通知用户他们正在与AI系统互动。

• 最小风险的AI系统， 不会对个人的权利或安全构成威胁。

此分类决定了任何特定的人工智能系统所需的监管介入程度和合规水平。存在不可接受风险的人工智能应用将被禁止。比如医疗保健和执法领域的高风险系统，必须遵守严格透明度、问责制和数据治理的规定。如需了解更多信息，请参阅欧盟人工智能法案博客。

欧盟《人工智能法》通过引入新的合规要求，对用于MLOps的工具产生了重大影响，这些要求主要针对数据和工程团队。这些要求侧重于透明度、数据治理、人为监督、风险管理，尤其是对那些被列为高风险的人工智能系统。

该法案概述了一套清晰的合规标准，旨在确保用于高风险应用的人工智能系统能够被问责、安全且透明，从而促进信任。

新的合规要求对MLOps（机器学习运营）工具产生了以下影响：

• 透明度：MLOps 工具应提供清晰的洞察，说明模型是如何被训练、部署和监控的。这些工具应该能够记录超参数、使用的数据集以及其他所有元数据，以确保符合欧盟《人工智能法》的要求。

• 人为监督：MLOps 工具必须具备功能，以便在必要时实现人类监督。这确保人类可以监督高风险的人工智能应用，以防止产生有害的结果。

• 数据治理：MLOps 工具应包含严格的数据治理措施，以确保训练模型的使用既准确又无偏见。

• 记录保存：MLOps 工具应当长期保存人工智能系统执行的活动记录。

以下是符合欧盟人工智能法案的10个MLOps工具。

欧盟高风险AI系统的性质使得强烈要求遵守严格的监管措施，以确保MLOps工具和系统符合欧盟AI法案。以下是根据以下标准，如透明度、人类监督、数据治理和合规性，符合欧盟AI法案的一些工具。

1. KitOps (套件运维)

KitOps 是一个开源、基于标准的打包和版本控制工具，旨在促进数据科学家、应用程序开发人员和站点可靠性工程师 (SRE) 在集成和管理自托管的 AI/ML 模型过程中的协作。

欧盟的AI法案第12条明确规定，MLOps工具应保留其AI系统所执行的长达大约10年的活动记录。这包括处理数据、训练模型以及系统随时间变化的日志记录。沿此思路，KitOps作为一个可靠的标签系统，能够追溯ModelKit版本。它让您能够追溯ModelKit工件（即模型和模型资产）的起源和演变。KitOps的ModelKits可以由Jupyter笔记本创建，或者通过流水线进行创建。ModelKits存储在企业的容器注册表中，该注册表已经进行了安全保护。

该系统使用不可变的、内容寻址的存储，不允许两个ModelKit有相同的内容版本。这种标记系统避免了ML工程师拥有相同模型和模型资产的ModelKit的情况，确保每个模型和模型资产都是独一无二的。

此外，KitOps 还能允许您的数据科学家在打包 ModelKit 的过程中对他们的模型和模型组件进行版本管理。这确保了每个 ModelKit 中的模型和组件的一致性。因此，您的开发人员可以自信地检索并部署特定的数据科学家模型，而无需担心混淆。

1. Kubeflow

Kubeflow 是一个开源平台，旨在实现机器学习工作流的方便部署、扩展规模和监控。它提供了端到端的流水线，确保在整个机器学习过程中都有可观测性。这包括促进人工监督，让数据科学团队能够在每个训练和部署阶段执行质量检查。

凭借其强大的工作流编排功能，Kubeflow 赋予数据科学团队管理机器学习任务流程整个生命周期的能力——从数据处理到模型训练、部署以及监控。这种方法在每个阶段都促进了透明度。

此外，Kubeflow 还通过提供生产环境中的持续模型监控来支持持续的监控和风险控制。此功能可以帮助发现模型漂移、偏差及性能问题，符合定期检查 AI 系统的要求。

1. MLflow：

MLflow 是一个开源平台，用于管理端到端的机器学习生命周期——包括实验、复现性和部署。它通过追踪数据和模型验证来确保强大的治理。它允许机器学习团队记录和管理实验，包括模型的指标、参数和工件。这有助于结果的复现，这对AI系统的透明化至关重要。

除此之外，模型注册表就像是一个集中管理的地方，用于在整个生命周期中进行模型的版本管理和阶段切换；因此，组织可以保存详细的模型性能记录和符合法规要求的版本信息。

zh: 1. ZenML

ZenML 是一个 MLOps 框架，它简化并标准化端到端的机器学习 (ML) 工作流程。特别是在符合欧盟等法规的要求时，其功能和用户优势点 (USPs) 让它在 MLOps 中脱颖而出。在整个模型开发过程中，ZenML 专注于数据完整性、模型质量和监控，支持减轻与部署 AI 系统相关的风险。

此外，ZenML 简化了机器学习的流程，以支持最佳实践操作，例如数据准备、模型训练和模型测试等。其架构允许数据科学家清晰地定义每个工作步骤。这有助于确保模型开发的每个步骤都经过了检查并符合法规对文档的要求。

zh: 1. 彗星

彗星（https://www.comet.com/site/，Comet）是一站式实验跟踪平台，可以自动跟踪从输入数据到模型开发、机器学习模型部署及模型管理的全过程。它使数据科学团队能够监控模型性能指标，从而了解实验随时间的变化。

此外，Comet 详细记录每一个实验，以确保满足合规性要求，例如符合欧盟的可追溯性和文档要求。

作为补充功能，它实现了对模型性能的持续监控。数据科学和机器学习团队可以持续观察模型行为随时间的变化，以发现潜在的问题。这些变化可能表明模型性能下降。这有助于识别诸如模型漂移或数据漂移等问题，这些问题可能导致偏差的结果，进而影响模型的准确性。

1. DataRobot

DataRobot（https://www.datarobot.com/about-us/）提供自动化机器学习（AutoML）功能，具备强大的模型解释性、监控和治理能力。这些功能有助于确保AI模型的公平性、可问责性和透明度，符合法规要求，并且以确保合规。

除此之外，DataRobot 帮助 数据科学家 高效地构建、部署及监控模型。这种持续监控对于发现 AI 模型性能退化至关重要，这对于满足风险管理制度的相关法规要求至关重要。

1. ClearML

ClearML 是一个全栈 MLOps 平台（平台涵盖从数据准备到模型部署的整个机器学习流程）。它在数据准备和版本管理方面稳健可靠，确保用于模型训练的数据可靠性和一致性。ClearML 支持实验跟踪，允许数据科学家按照规定记录和存档他们的机器学习实验。

此外，ClearML 支持监控模型性能，并进行全面的模型测试，确保模型满足必要的质量标准。

1. Fiddler 人工智能 (Fiddler rén gōng zhì néng)

Fiddler AI 是一个解释性的人工智能平台，它简化了机器学习的工作流程。它使人工智能系统更加透明和值得信赖。该平台帮助数据科学家更高效地理解和解释模型预测。

Fiddler AI 还支持对机器学习模型进行持续监控，以跟踪模型的表现情况并检测数据漂移的情况。这有助于降低模型随着时间推移而性能下降的风险。

图片来自 Fiddler AI

1. H2O.ai

H2O.ai 开发企业人工智能工具，用于机器学习和深度学习，包括自动构建模型、解释性、偏见检测等功能。它重点关注负责任的人工智能，帮助公司遵守法律和道德规范。

H2O.ai 强调数据完整性和版本管理。它确保诸如数据准备工作和版本管理等关键步骤得到确保检查，以确保用于模型训练的数据质量和版本。这符合监管要求，并确保可靠的数据输入。

除此之外，H2O.ai 还通过提供工具来管理模型版本和元数据，支持模型管理。

1. 权重和偏置

Weights and Biases（wandb.ai/site）专注于实验跟踪、数据日志记录和模型监控，让整个过程变得更加透明和可重复。它支持跟踪您的模型训练过程、超参数和所使用的数据集，从而使研究工作更加透明和可重复。

W & B 提供了一个强大的系统来跟踪机器学习实验，从数据日志到模型开发，优化模型，监控指标和模型质量。这确保了机器学习流程中的每个环节都可追溯和可问责。

随着欧盟AI法案的实施和AI法规的演变，MLOps工具必须不断适应新的合规要求。工具必须支持透明的文档记录、风险评估和人工监督机制等功能。MLOps平台应该整合确保持续符合这些法规的机制，尤其是针对高风险的AI系统。

开发人员和工程领导者应专注于采用能跟上监管变化的工具。选择那些能简化合规管理并提供长期支持来应对不断变化的监管要求的平台非常重要。

通过提供一个简化设置过程并确保合规性的框架，KitOps 帮助团队专注于创新而非应对监管复杂性。如果您准备简化 MLOps 流程并遵循最新标准，请考虑在 KitOps 上注册开始。