BigML je platforma strojového učení od stejnojmenné společnosti založené v roce 2011 se sídlem v Corvallisu ve státě Oregon (USA). Přes webové rozhraní nebo API mohou uživatelé bez velkého programování vytvářet modely, jako jsou rozhodovací stromy, ansámbly, shlukování nebo detekce anomálií. Klade důraz na interpretovatelné modely a automatizovatelné pracovní postupy. Nabízí se jako cloudová služba i pro provoz ve vlastním datovém centru (stav k říjnu 2026).
Agenti, postupy a šablony v jednom pracovním prostoru – 24hodinové demo zdarma.
Spustit demoDataRobot je americká softwarová společnost, jejíž platforma pomáhá organizacím vytvářet, provozovat a monitorovat aplikace s AI. Proslula automatizovaným strojovým učením (AutoML), které automaticky trénuje a porovnává mnoho variant modelů – například pro predikci odchodu zákazníků nebo poptávky. Dnes se firma zaměřuje také na provoz a řízení AI agentů (stav k říjnu 2026).
KNIME je software pro datovou analytiku, v němž se pracovní postupy skládají vizuálně z bloků („uzlů“), místo aby se programovaly. Open-source platforma KNIME Analytics Platform pokrývá import dat, čištění, analýzu, strojové učení a reporting, zatímco komerční nabídky výrobce přidávají spolupráci a provoz v organizacích. Typickým příkladem je postup, který sloučí měsíční data o prodeji z několika souborů Excelu, vyčistí je a vytvoří prognózu.
No-code označuje nástroje, které lidem umožňují vytvářet aplikace, automatizace nebo weby prostřednictvím grafického rozhraní, bez psaní programového kódu. Odborné týmy tak mohou procesy realizovat a testovat samy, místo aby čekaly na vývoj v IT. Limity se objevují u velmi specializovaných požadavků, velkých objemů dat nebo hlubokých integrací. Příklad: obchodní tým pomocí přetahování sestaví postup, který třídí a shrnuje nové poptávky.
Strojové učení je odvětví umělé inteligence, v němž počítače odvozují vzorce z dat, místo aby měly každé pravidlo explicitně naprogramované. Podle úlohy se modely učí z označených příkladů (s učitelem), z neoznačených dat (bez učitele) nebo prostřednictvím odměn (zpětnovazební učení). Aplikace sahají od filtrů spamu a předpovědí poptávky po doporučování produktů. Kvalita výrazně závisí na množství a kvalitě trénovacích dat.
