最近，一份关于AI创业公司最佳开发工具的指南引起了广泛关注。
除了备受欢迎的开发环境Jupyter外，Deepnote也开始崭露头角。
这个由小团队打造的Deepnote，已经吸引了部分公司开始使用，甚至有可能向「Jupyter Notebook」发起挑战。
许多网友表示对此工具充满好奇，纷纷表示想要体验一下。
这也促使Deepnote的开发者主动前来解答用户的疑问。
那么，这份指南具体涵盖了哪些内容？还有哪些其他有趣的开发工具呢？
调研结果
本次调查由轻量级工具集成网站neptune.AI进行，采访了41家AI初创公司。
以下是调查结果：
软件开发环境
在IDE方面，Jupyter Lab及其NB扩展（少数使用Deepnote）、Colab、PyCharm和VS Code是最常用的选择（R用户多选RStudio）。大多数团队使用GitHub，Python是主要语言，部分团队使用R，此外Clojure也榜上有名。
对于环境和基础设施的设置，用户分享了以下建议：
AWS被认为是理想的部署平台（SiMple report）。Anaconda是进行ML实验的首选工具，因其能够将代码、计算结果、解释性文本和多媒体资源整合在一个文档中（Scanta）。Redis在内存数据存储中占主导地位，因为其支持多种抽象数据结构（Scanta）。Snowflake和Amazon S3常用于数据存储（HypeRgiant）。Spark-PySpark是进行大数据分配作业的简单API（HotelMize）。
机器学习框架
机器学习框架的选择同样重要，各团队的选择各有不同。
Pandas是处理表格数据时使用频率最高的工具。
SigMa PolaRis的CEO表示，Pandas在与外部开发者合作时极为有效，数据以数据框架形式存在，使得协作更加顺畅。
在可视化工具方面，Matplotlib和Plotly是团队的首选。还有公司推荐Dash，它基于Plotly构建的交互式仪表盘更具用户友好性。
对于标准机器学习问题，Scikit-learn和XGBoost是最常用的工具，尤其是Scikit-learn。
iSchoolConnect公司指出，Scikit-learn是机器学习研究人员和工程师的常用工具箱，极为方便。
在深度学习框架方面，PyTorch和TensorFlow+Keras受到青睐。
在特定领域，NLP常用Hugging Face、Spacy和Gensim，计算机视觉方面则离不开OpenCV。
MLOps
MLOps被视为机器学习领域的DevOps，涵盖了将模型集成并部署到生产系统所需的所有工具。
这包括模型的部署、访问和性能跟踪，以及实时管理和测试。
每个团队根据自身需求使用不同的工具。
调查结果显示：
编排工具包括Kubeflow、Airflow、Amazon SageMaker和Azure；模型包装和服务使用Kubeflow、MLflow和Amazon SageMaker；模型训练到推理的优化使用pytest-benchmark和MLPerf；实验管理则倾向使用MLflow、Comet和Neptune。
总体来看，许多团队使用Jupyter进行探索，使用PyCharm或VS Code进行开发。
他们普遍喜欢GitHub，Python语言的使用最为广泛。
在深度学习框架中，TensorFlow、Keras和PyTorch是首选。
值得一提的是，越来越多的人开始使用高级PyTorch训练框架，如Lightning、Ignite、Catalyst、FastAI和Skorch。
在可视化探索方面，团队使用Matplotlib、Plotly、Altair和Hiplot。
对于实验追踪，常用的开源软件包有TensorBoard、MLflow和Sacred。
