再现性引擎
快速重现工作
重新创建先前的工作或交付工件以供审核, 如果没有一个中心，合规性或法规报告可能需要花费数月的时间, 记录项目的一致方式.
Domino自动跟踪代码的更改, data, 工具, 并通过持续的版本控制包. 这些是在持久工作区中捕获的，它允许数据科学家立即回滚到或重新创建用于创建模型的精确实验环境. 这简化了审计、治理、遵从性和监管报告.
MLFlow集成简化了机器学习生命周期管理. 它可以让数据科学家追踪, 繁殖, 并在他们的Domino项目中共享机器学习实验和工件, 而Domino的安全层确保度量, 日志, 文物是安全的.
检索与知识管理
容易找到和重用以前的工作
没有办法有效地回顾之前的工作, 工作很容易重复, 特别是当有多个数据科学家团队的时候. 当关键团队成员离开时，机构知识丢失的风险也很高.
通过捕获中央存储库中的所有数据科学构件，Domino捕获所有数据科学IP, 包括项目中所有在下次使用时提供关键上下文的活动. 数据科学家可以很容易地搜索到一个主题的先前工作，这样他们就不用重新发明轮子，可以快速地合成一个主题的知识.
项目管理
跟踪进度，设定目标，并定义最佳实践
数据科学项目需要管理来交付预期的业务成果, 像任何其他关键任务活动一样.
使用Domino，可以透明地跟踪项目目标，以度量业务价值. 您可以轻松地跟踪进度并解决障碍，以及建立自定义项目阶段，以便在整个团队中灌输一致的模式和实践. Git和Jira的集成使得将数据科学集成到更广泛的企业项目流程中变得容易.
考虑构建一个数据科学平台?
人们很容易认为，构建一个集中基础设施和工具的基本平台将有助于扩展数据科学. 但事情没那么简单. 安全、普遍地扩展数据科学, 您需要一个提供编排的平台, 安全, 治理, 协作, 知识管理, 以及跨越数据科学生命周期的自助服务能力.
