LinkedIn在GitHub发布容易使用，且不容产生bug的Java机器学习函数库Dagli，内置大量开箱即用的静态模型，方便开发者构建机器学习应用。
LinkedIn解释开发Dagli的原因，他们看到现存许多机器学习工具，包括深度学习函数库TensorFlow、PyTorch、DeepLearning4J和CNTK，或是用于超大型工作管线的Spark、Kubeflow，以及用来开发通用模型的scikit-learn和ML.NET等，官方提到，这些工具所产生的模型，在未来发展和维护都非常复杂，进而产生长期的技术负担。
因此他们发布了Dagli，要来解决模型技术债的问题，Dagli是一个适用于Java和其他JVM语言的开源机器学习函数库，开发者可以用来编写抗bug、可读、可修改、可维护且易于部署的模型工作管线，Dagli能良好地支持现代机器架构，高效地使用多核CPU以及GPU，在单机上训练机器学习模型。
无论是经验丰富的机器学习工程师，抑或是才刚接触机器学习的开发者，都能够使用Dagli开发机器学习模型，对资深机器学习工程师来说，Dagli提供一个简便的方法，以开发高性能且生产就绪的模型，该模型能够接受长期维护，并在需要时进行扩展，能够与现在基于JVM技术的堆栈集成。
而对于刚接触机器学习的工程师而言，Dagli提供直观好用的API，可结合熟悉的JVM工具使用，并且避免发生常见的逻辑错误。Dagli可将模型工作管线定义为有向无环图（DAG），同时用于训练和预测，开发者不需要单独实例训练用工作管线，以及预测用工作管线。
Dagli使用简单可读的工作管线定义，还有大量的静态类型与不可变性，从根本设计上，杜绝大部分潜在的逻辑错误，而且Dagli提供高度可移植性，用户可将其用在服务器、Hadoop、CLI、IDE，以及任何JVM上下文环境。
由于Dagli可将整个工作管线当作一个对象，进行串行化及反串行化，因此非常容易进行部署，而且还提供了大量可立即使用的工作管线组件，包括神经网络、逻辑回归、交叉验证和FastText等，在速度表现上，Dagli支持高度平行化的多线程训练和预测，对工作管线进行优化，并以小批处理提升性能。