
ZenML
Framework MLOps open source pour créer des pipelines ML et LLM portables sur toute infrastructure.
📍 Allemagne 🇩🇪, Munich
Présentation du produit
ZenML est un framework MLOps open source qui permet aux équipes de définir des pipelines de machine learning en code Python et de les exécuter sur toute infrastructure, des machines locales aux clusters Kubernetes et environnements cloud. Le framework agit comme un plan de contrôle entre le code ML et la pile sous-jacente, rendant les pipelines portables entre orchestrateurs, trackers d'expériences, registres de modèles et cibles de déploiement. La version open source (Apache 2.0) est gratuite et fournit l'orchestration de pipelines, le versionnage d'artefacts et un tableau de bord basique. Les plans SaaS gérés ajoutent un Model Control Plane visuel, la planification avancée, les contrôles d'accès par rôle et des environnements de développement distants. Un niveau Pro auto-hébergé prend en charge les déploiements en environnement isolé avec SSO et SLA personnalisés. Le SaaS géré commence à 399 dollars par mois pour le niveau Starter. ZenML prend en charge les workflows de fine-tuning de LLM, l'orchestration de pipelines RAG et l'intégration avec des frameworks d'agents tels que LangGraph et CrewAI. La plateforme se connecte aux trackers d'expériences, déployeurs de modèles et registres de l'écosystème ML, évitant le verrouillage sur un seul fournisseur. Fondée à Munich en 2021 par Adam Probst et Hamza Tahir, ZenML a levé 6,4 millions de dollars auprès de Crane Venture Partners, Point Nine et des investisseurs providentiels dont Richard Socher et Pieter Abbeel. L'entreprise propose des tarifs spéciaux pour les startups et les institutions académiques. FONCTIONNALITÉS CLÉS : - Framework MLOps open source (Apache 2.0) avec définitions de pipelines natives Python - Pipelines portables entre Kubernetes, Slurm et orchestrateurs cloud - Model Control Plane avec versionnage d'artefacts et suivi des métadonnées - Support du fine-tuning de LLM et des pipelines RAG - Options de déploiement en environnement isolé et auto-hébergé