目录

介绍

“软件正在吞噬世界。”马克·安德森在2011年8月发表的一篇著名博客中，用这句话作为开篇。他预言，软件开发将颠覆传统行业。事实上，Airbnb、Netflix和Uber等公司只是 “按需 ”经济中众多赢家中的少数，它们以显著而持久的方式颠覆了旅游、娱乐和购物等行业。

大约一年后，在2012年10月，《哈佛商业评论》报道称，数据科学家是 “21 世纪最性感的工作”，那些能够 “从非结构化数据中挖掘宝藏 ”的专业人士大有可为。结构化数据竞赛由此拉开帷幕，企业开始认真研究它们杂乱无章的数据，并想方设法使其更便于机器使用。

时间快进到七年后的2019年10月，麦肯锡全球研究院就 “人工智能春天的到来 ”发表了令人振奋和警示性的言论。他们的研究显示，数百个商业案例加在一起，每年有可能创造3.5万亿至5.8万亿美元的价值。随着企业应用人工智能，他们发现人工智能可以产生巨大的商业价值。数据科学能力是实现高效人工智能的先决条件，因此企业加大了对技术、数据科学团队以及机器学习和深度学习等技术的投资。

2022年8月，通过Python和深度学习，Stable Diffusion公司建立的文本生成图像模型震撼了视觉艺术界。该模型可以根据文本提示生成详细的图像。它引发了全世界对人工智能的兴趣，掀起了下一波浪潮，即生成式人工智能。

最终，三个月后，也就是2022年11月，OpenAI发布了另一个生成模型：ChatGPT是一种大语言模型（LLM），它使用OpenAI的GPT-3和GPT-4大语言模型进行训练，根据用户的提示生成文本。在短时间内，大语言模型就在许多行业掀起了一场风暴，其新产品和新功能使程序员和机器一起编写和调试代码成为可能，使作家和人工智能一起写作成为可能。

寻找企业平台

有了这些进步，似乎每个组织都应该以某种方式将这些新技术融入其研究、产品和运营中。然而，要充分发挥这些技术的潜能，需要一套功能齐全的工具、无错误的结构化数据、专家团队以及开源软件的力量，还依赖创造者和维护者们的积极互动。

在企业组织中利用开源软件的强大功能，需要具备构建和部署安全Python解决方案的能力。现在，越来越多的工具可用于拼接，使团队能够利用数据科学和机器学习进行协作，并构建强大的应用程序。但是，将各种工具拼接在一起，来将预测模型部署到生产中，并不能最好地创建企业可依赖的平台，实现优秀成果。而且，自行构建平台可能既昂贵又复杂，因为您需要维护所创建的平台。

要找到一个企业平台，既能提供所需的开源软件包，又能提供可管理的环境，让您在生产中复制和扩容模型，还能提供安全工具，保护您的组织免受不良代码和不良被访者的侵害，这可能是一项艰巨的挑战。以上就是本指南的全部内容——探讨在选择企业平台时应考虑哪些因素，以便与Python和开源软件配合使用，实现企业的开发目标。

什么是平台？

查马斯·帕里哈皮提亚转述了微软首席执行官比尔·盖茨对平台的著名描述：“平台就是使用它的每个人的经济价值超过创建它的公司的价值。” 在评估平台时，请考虑这些基本特征，它们将为您提供帮助，在团队通过Python开发的开源软件，来开发和部署应用程序时，充分利用社区的创新能力：

• 
  个体用户数量： 用户越多，就越有机会发现他人共享的新技术，更快地识别和解决安全风险，并从人员众多的软件创造者和维护者社区中获益。
• 
  企业用户数量： 企业用户越多，说明平台经过的规模测试越多。用户数量可以表示为组织或企业总数的百分比，例如财富500强。
• 
  经验年限： 企业开发平台的时间越长，其团队在工具、技术和用例方面的专业知识就可能越丰富。

跨行业客户： 平台应用的行业越多，平台和支持团队可能遇到的集成、用例和数据类型也就越多。

Python，开源，数据科学和企业

数据科学彻底改变了企业的运营方式。如今，无论是分析客户行为、建立预测模型还是创建生成模型，似乎每个人都在以某种方式处理数据。随着对数据驱动的洞察的需求不断增长，Python已成为数据科学工作的首选语言。

事实上，Python一直都是数据科学工作的黄金标准，这很大程度上归功于它的简单性和多功能性。与其他语言不同，Python允许用户轻松操作和分析数据，使其成为从数据可视化到机器学习的理想选择。此外，能获取大量开源库和框架，确保了Python一直是数据科学家的热门选择。

开源软件让开发人员能够访问全球代码贡献网络，这些贡献者不断更新和改进代码，使公司能够比以往更快、更高效地创建应用程序。根据新思科技2023开源安全和风险分析报告，绝大多数（96%）的代码库都包含开源软件。

开源软件的广泛应用是有道理的；它不仅能帮助企业节省许可成本，还能让企业利用开源社区的集体知识来创建定制的解决方案，以满足其特定的业务需求。因此，对于希望引领快节奏技术世界的企业来说，开源成为了必不可少的战略工具。

然而，过去几年中，企业组织中的Python开发管理变得更加复杂和困难。部分原因，是Python社区的快速发展，它导致了新工具和技术定期发布。这些工具有些是专有的，有些是开源的。虽然这对处理数据的团队来说终究是积极的进步，但这也会带来挑战，让团队难以跟上最新技术和最佳实践。

尽管存在着这些挑战，但Python仍然是数据科学工作中最强大、最通用的工具之一。随着行业的不断发展，Python仍将是成功的数据科学团队工具箱中重要的组成部分。

企业使用Python时面临的挑战

在Anaconda，我们与世界各地使用Python的组织进行交流。我们发现，大多数团队都遇到了类似的挑战，他们正试图用类似的方法来解决这些问题。

1.包管理和构建环境

2.协作和部署

项目合作是构建和扩展优秀模型的重要组成部分，因此可重复性是一项艰巨的挑战，尤其是对于大型团队而言。大多数团队都是分头完成这项工作，将模型放在各自的机器上。这导致数据科学家和数据工程师之间流传这样一句话： “在我的机器上能用。”

说到部署，手动流程能让您对流水线有更多的控制，但就像手动软件包管理一样，手动流程费时费力，还容易出错，出现可扩展性问题。构建自己的部署基础架构可以让您进行定制，也能让您获得更多控制权，但由于开发和维护成本较高，投资回报可能较低。

一些简单易用的机器学习平台具有现成的功能和支持。但相比于开源软件，这些平台可能限制性很高，个性化设置也很有限。它们的价格也可能相当昂贵。

3.治理和确保开源管道安全

开源包的可信来源空前重要。美国国家标准与技术研究院(NIST)2023年3月发布的《国家网络安全战略和框架》显示，安全的负担正在转移向开发软件的组织和个人。

人工安全审计可以帮助您满足最低的监管要求，并识别一些安全风险。但是，人工审核同样耗费时间和资源，而且会使企业处于被动地位。内部安全培训可以提高意识，推广良好行为，但其效果有限，仅靠培训是不够的。

第三方扫描工具通常容易使用，而且像某些机器学习平台一样，提供现成的功能和一些支持。不过，这些工具并不适合Python工作流程，假阳性很多，而且会误操作编译过的软件包。

企业Python平台应具备的顶级功能：购买者清单

企业平台应具有足够的灵活性，以满足您当前的需求，并具有足够强大的功能，以承受未来工作负载和项目的需求。在评估 Python 和开源软件的企业平台时，您可以使用这份清单。

基本功能

1.数据集成

		其他供应商：
	集成是可能的	集成是可能的	集成是不可能的
代码库（Git、Bitbucket）	✅
数据湖支持	✅
文件系统	✅
分布式系统基础架构（Cloudera, Hortonworks, EMR）	✅
物联网/传感器数据	✅
监控解决方案（事务日志传送）	✅
非关系型数据库	✅
专用数据库(SAS,Teradata)	✅
SQL	✅
网络数据集成	✅

2.基础设施和硬件

		其他供应商：
	支持，可选择物理隔离	支持，可选择物理隔离	支持，非物理隔离	不支持
AWS Sagemaker	✅
Azure	✅
多米诺数据实验室的机器学习运维	✅
Google	✅
Microsoft Azure	✅
Oracle Cloud Infrastructure(OCI)服务	✅
Snowpark for Python工具包	✅
本地部署(VSphere)	✅
本地部署(裸金属)	✅
物理隔离	✅
GPU和CPU支持	✅

3.机器学习功能

		其他供应商：
	支持	支持	不支持
分类 & 回归	✅
深度学习	✅
生成对抗网络(GANs)	✅
预训练大型语言模型(LLMs)	✅
强化学习	✅
支持向量机 (SVMs)	✅
测试策略(A/B测试，多臂老虎机，敏感性分析)	✅
文本生成图像模型	✅
文本&图像分析和加工	✅
时间序列分析	✅

4.协作与部署

		其他供应商：
	可访问	可访问	不可访问
中心化项目管理中心	✅
一键部署	✅
部署RESTAPI	✅
部署网络应用程序	✅
协作与部署的治理控制	✅
工作调度程序/自动化	✅
版本控制	✅
可视化和仪表板	✅

5.支持

		其他供应商：
	可访问	可访问	不可访问
专门的支持联系人	✅
保证正常运行时间服务级别协议	✅
访问令牌	✅
高级的故障排除支持	✅
Anaconda软件包管理协助	✅
自定义conda软件包构建	✅
自定义安装程序	✅
环境管理问题	✅
实时学习与按需学习	✅
高需求期间的存储库访问	✅
严重性响应：1级	12小时，标准1小时，高级
严重性响应：2级	24小时，标准12小时，高级
技术支持：	✅

6.安全和治理

		其他供应商：
	包括	包括	可集成	无法实现
管理监控（跟踪用户、项目和部署情况）	✅
审计日志	✅
云本地安全控制	✅
灾后恢复	✅
端到端加密	✅
软件包签名进行验证	✅
发布权限	✅
基于角色的用户访问控制	✅
通用漏洞披露(CVEs)扫描	✅
安全包存储库	✅
软件材料清单(SBOM)	✅

协作和工具

笔记本和集成开发环境（IDE）

			其他供应商：
	目标	包括	包括	不包括
Jupyter Notebook	创建和共享计算文档	✅
JupyterLab	基于网络的Juypyter界面	✅
PyCharm	用于Python编程的集成开发环境	✅
RStudio	Python和R的集成开发环境工具	✅
Spyder	科学编程的Python开发环境	✅
Visual Studio代码(VS Code)	用于调试、代码片段、代码重构等的源代码编辑器	✅

2.数据可视化功能

		其他供应商：
	支持	支持	不支持
允许用户选择自己喜欢的绘图库 (例如Bokeh，hvPlot，Matplotlib，Plotly)	✅
支持完全交互式可视化	✅
支持超大型（即PB级）数据集的可视化	✅
支持在Jupyter中实现可视化，或作为独立应用程序使用	✅

3.数据科学和机器学习库

Anaconda可让您访问数千个库。我们在下文中列举了几个最常见的库，以帮助您比较您的选择。

			其他供应商：
	目标	可访问	可访问	不可访问
Dask	并行和分布式计算	✅
Django	用于设计的Python网络框架	✅
Flask	模型部署	✅
Keras	深度学习框架 (TensorFlow的应用程序接口)	✅
Kubeflow	Kubernetes上的机器学习工作流	✅
MLflow	实验跟踪	✅
NumPy	数组的数学运算	✅
Pandas	处理数据集——分析、清理、探索和操作数据	✅
Prophet	用Python进行时间序列预测	✅
PyTorch	开发和训练深度学习模型	✅
SciPy	（以NumPy为基础的）科技计算	✅
Scikit-learn	用于分类、回归和聚类算法的机器学习库	✅
TensorFlow	开发和训练机器学习模型	✅
Theano	（以NumPy为基础的）包含多维数组的数学表达式	✅
XGBoost	分布式梯度提升算法库	✅

4.模型部署和管理

		其他供应商：
	Yes	是	否
从质量保证进行部署	✅
部署到生产	✅
一键式部署到预先配置好的资源	✅
在生产中完善模型	✅
可重现性——回滚到旧模型	✅
集中管理已部署的应用程序	✅

Anaconda平台让创新成为可能

十多年来，行业领导者一直在用 Anaconda 平台构建世界上最具创新性的预测、产品和体验。数据科学和机器学习团队依靠我们值得信赖的软件包和功能，来集中管理开源软件的访问，并实现一致、可重复的工作流程。

准备进一步了解Anaconda如何帮助您的团队更快地构建和部署安全的Python解决方案？与我们的专家预约，讨论您所在组织的需求。