JFrog宣布提供Artifactory與機器學習服務Amazon SageMaker整合功能，藉由結合兩項服務，使得機器學習模型開發能夠也應用DevSecOps工作流程，並與其他軟體開發元件一起交付，使模型在發布時維持不可篡改、可追蹤、高安全性和可驗證性。

JFrog Artifactory構件儲存服務，適用於儲存和管理軟體供應鏈中，所用到的構件、二進位檔案、套件、檔案、容器和元件。而Amazon SageMaker則是全託管機器學習服務，提供用戶一系列建置、訓練和部署機器學習模型的工具。

在機器學習開發中，Artifactory提供版本控制和追蹤功能，方便管理大型且複雜的機器學習模型，使得模型各部分都能獲得精確的版本管理和安全性控制。其次，機器學習開發過程需要用來自公共儲存庫諸如PyPI、Docker Hub、Hugging Face的第三方軟體包，與含有私有程式碼的私有儲存庫，Artifactory則能有效管理相依項目，與相依項目之間的關係。

Artifactory也能處理安全性和法遵問題，像是專案所使用的Docker映像檔，或是其他相依項目可能存在安全漏洞，Artifactory能助用戶辨識這些漏洞並提供修復建議，進而降低安全風險，即便新的相依項目不可用或是不相容，Artifactory也能快速回退至先前的版本，減少開發中斷發生。在機器學習模型授權條款不適用於組織時，Artifactory能夠發現快速找到替代方案，並重新配置相依項目，降低違反授權和法律遵循的風險。

SageMaker所提供的內建功能已經能夠滿足常見機器學習開發用例，而整合Artifactory可以提供更專業或是特定用途所需的模型和工具，模型開發人員可以存取專有資源，用於研究、訓練和測試，而且也能供組織平臺和基礎設施團隊標準化開發環境，提高效率並滿足生產部署所需遵循的法規。此外，整合功能也可在需要的情況下，清除多餘未使用的套件和框架，使產品構件更精簡。

用戶除了可以使用SageMaker內建的工具之外，JFrog Artifactor也提供機器學習常用開發工具，包括引入Hugging Face儲存庫、容器映像檔註冊表、Python儲存庫與JFrog CLI，官方提到，這些工具都可以在SageMaker環境中使用。

Artifactory用戶可透過多種方式與SageMaker結合使用，但主要開發工作還是發生在SageMaker服務中，用戶於開發過程視時機啟用Artifactory執行個體授權存取，進而允許從Artifactory檢索構件，以及儲存專案所有的構件。