选择适用于 Python 和开源的企业平台：买家核对清单

简介

Marc Andreessen 在 2011 年 8 月的一篇博客文章中以一句挑衅性的话开篇：“软件正在吞噬世界。” 他的预测是，软件开发将颠覆传统行业。 事实上，像 Airbnb、Netflix 和 Uber 这样的公司只是“按需”经济中众多赢家中的一小部分，它们以重大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”，它承诺专业人士可以“从非结构化数据中提取宝藏”。 结构化数据竞赛由此开始，各组织开始更仔细地审视其混乱的数据，并寻找使其更易于机器理解的方法。

快进七年到 2019 年 10 月，麦肯锡全球研究所对“人工智能春天的到来”提出了令人兴奋和警示的言论。 他们的研究表明，数百个商业案例加起来，有可能每年创造 3.5 万亿美元至 5.8 万亿美元的价值。 随着组织应用人工智能，他们发现它可以产生超额的商业价值。 数据科学能力成为高性能 AI 的先决条件，因此组织增加了对技术、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，Stable Diffusion 以其使用 Python 和深度学习构建的文本到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图像。 它激发了世界对 AI 的迷恋，并掀起了下一波浪潮：生成式 AI。

最后，三个月后，在 2022 年 11 月，OpenAI 发布了另一个生成模型：ChatGPT，这是一个大型语言模型 (LLM)，它使用在 OpenAI 的 GPT-3 和 GPT-4 LLM 上的训练来根据用户的提示生成文本。 在短时间内，LLM 已席卷许多行业，新的产品和功能使 程序员能够与机器一起编写和调试代码，并使 作家能够与 AI 合作制作内容，这仅仅是越来越多用例中的几个例子。

寻找企业平台

凭借所有这些进步，似乎每个组织都应该以某种方式将这些新技术融入到他们的研究、产品和运营中。 然而，要充分发挥这些技术的潜力，需要一套功能齐全的工具、干净且结构化的数据、专家团队以及开源软件的力量，并由积极参与的创造者和维护者社区提供支持。

在整个企业组织中利用开源软件的力量，需要具备构建和部署安全 Python 解决方案的能力。 有越来越多的选项可用于将各种工具拼接在一起，从而使团队能够协作并使用数据科学和机器学习构建强大的应用程序。 但是，将工具拼凑在一起以将预测模型部署到生产环境中并不是创建组织可以依赖的平台以交付卓越成果的最佳方法。 而构建自己的平台可能既昂贵又复杂，因为您需要维护您创建的平台。

找到一个企业平台，它可以提供您需要的开源软件包、允许您在生产环境中重现和扩展模型的托管环境，以及保护您的组织免受不良代码和不良行为者侵害的安全工具，可能是一个艰难的挑战。 这正是本指南的全部内容——探讨在选择企业平台以与 Python 和开源软件一起使用以实现组织开发目标时需要考虑的事项。

是什么构成了平台？

关于平台的一个流行的描述来自微软 CEO 比尔·盖茨，正如 Charmath Palapithiya 转述：“平台是指每个使用它的人的经济价值超过创建它的公司的价值。” 当您评估平台时，请考虑以下基本特征，这些特征将帮助您在团队使用 Python 和开源开发和部署应用程序时利用社区的创新

• 个人用户数量： 用户越多，发现他人共享的新技术、更快地识别和解决安全风险以及从由软件制造商和维护者组成的丰富社区中受益的机会就越多。
• 企业用户数量： 企业用户越多，平台在规模上经过的测试就越多。 用户数量可以用组织或企业总数的百分比来表示，例如财富 500 强。
• 经验年限： 组织开发平台的时间越长，其团队就越有可能在工具、技术和用例方面拥有专业知识。

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，似乎每个人都在某种程度上与数据打交道，无论是分析客户行为、构建预测模型还是创建生成模型。 随着对数据驱动型洞察的需求持续增长，Python 已成为数据科学工作的首选语言。

事实上，Python 长期以来一直是数据科学工作的黄金标准，这在很大程度上归功于其简洁性和多功能性。 与其他语言不同，Python 允许用户轻松地操作和分析数据，使其成为从数据可视化到机器学习等各种应用的理想选择。 此外，众多开源库和框架的可用性确保了 Python 仍然是数据科学家的热门选择。

开源软件 使开发人员能够访问由全球贡献者组成的网络，他们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 Synopys 2023 年 OSS 风险分析报告，绝大多数 (96%) 代码库都包含开源软件。

OSS 的广泛应用是有道理的； 开源不仅可以帮助公司节省许可成本，还可以让他们利用开源社区的集体知识来创建定制化的解决方案，以满足其特定的业务需求。 因此，开源已成为希望在快速发展的技术世界中保持领先地位的组织的重要战略工具。

然而，在企业组织中管理 Python 开发在过去几年中变得更加复杂和困难。 这部分是由于 Python 社区内部的快速发展步伐，这导致了新工具和技术的定期发布。 其中一些工具是专有的，而另一些是开源的。 虽然这对从事数据工作的团队来说最终是一个积极的发展，但它可能会使人们难以跟上最新的技术和最佳实践。

尽管存在这些挑战，Python 仍然是可用于数据科学工作的最强大和最通用的工具之一。 随着行业的不断发展，Python 仍将是任何成功的数据科学团队工具箱的关键组成部分。