Uber为了要让自家应用程序可以灵活使用多种深度学习框架，因此开发了抽象层Neuropod，作为开发、训练和部署机器学习模型的接口，Uber提到，这个框架的目的，是要让研究人员可以更简单地应用各种框架构建模型，并简化模型的部署。
Uber为了发展自动驾驶的软件，因此寻求各种新方法来改进模型，而这代表研究人员要广泛地尝试使用各种不同的深度学习框架，包括各式新框架，以及TensorFlow和PyTorch等现有框架及其更新版本，Uber表示，他们希望研究人员可以灵活地选用适合他们的工具。不过，要在机器学习堆栈中支持新的深度学习框架并非简单的事，需要花费大量的人力资源和时间。
因此为了简化这个过程，Uber便开发了Neuropod，这是创建在现有深度学习框架之上的抽象层，其提供了执行深度学习模型的统一接口，简化人工智能应用程序开发，Uber举例，要将TensorFlow计算机视觉模型集成到服务中，需要在服务以及其他相关工具中，添加对TensorFlow API的支持，当改天他们也想使用PyTorch模型时，便需要重复进行相同的工作，如果想要灵活使用多个深度学习框架，就必需要重复多次相同的工作。
应用Neuropod则可消除这类重复性工作，因为Neuropod是TensorFlow这类框架与应用程序之间的抽象接口，应用程序不直接使用TensorFlow API，而是与Neuropod沟通，所以开发人员只需要增加对Neuropod的支持，就能与多个深度学习框架兼容。
Neuropod规范了输入与输出的描述，包括名称、资料类型等，由于抽象化实例，因此只要用来解决相同问题的模型，就可以互换，即使用不同的框架和程序语言也没关系，例如用户想要以C++搭配使用PyTorch模型，Neuropod则会在后台启动一个Python解释器，并与该模型沟通。
Neuropod会打包模型，包括原始模型、元资料、测试资料以及自定义操作，应用程序只调用无关框架的API，而Neuropod会把这些调用转换成对底层框架的调用，最后，Neuropod导出模型并创建指标工作管线，以定义基准来比较模型性能。
过去一年间，Uber已经使用Neuropod开发了数百种模型，包括预测乘车抵达时间，以及自动驾驶的对象侦测等模型，Uber提到，他们将来的版本会加入版本控制功能，在导出模型的时候可指定框架版本，并且以容器化的方式，对模型进行更多的隔离。