机器学习的日常工作通常可以归结为一系列的实验，包括选择建模方法和网络拓扑，训练数据以及优化调整模型。 数据科学家必须利用经验和直觉来做出一些假设，然后去评估这些假设对模型的整体性能的影响。 随着这种实践的成熟，我们的团队发现对“用于机器学习的实验跟踪工具”的需求日益增长。 这些工具可以用于帮助研究人员跟踪实验， 从而使这些实验变得更加的有条不紊。 尽管这个领域还没有出现明确的赢家，但是已经出现了MLflow这类的工具以及诸如Comet和Neptune这样的平台，它们使得整个机器学习的工作流程变得更加的严谨和可重复。

机器学习的日常工作通常可以归结为一系列的实验，包括选择建模方法，网络拓扑，训练数据集以及对模型的各种优化或调整。由于其中许多模型仍然难以解析或解释，因此数据科学家必须使用经验和直觉来假设一些改变，然后测量这些变化对模型整体性能的影响。随着这些模型在业务系统中使用得越来越普遍，出现了几种不同的“用于机器学习的实验跟踪工具”，以帮助研究人员有条理地进行实验，并跟踪这些实验结果。尽管该领域还没有明确的赢家出现，但是诸如MLflow和Weights＆Biases之类的工具，Comet和Neptune之类的平台，已经在整个机器学习工作流程中引入了严谨性和可重复性。除此之外，它们还促进了相互协作，将数据科学从一项单独的工作转变为一项团队协作的运动。