Kubeflow je open-source platforma pro provoz pracovních postupů strojového učení na Kubernetes, od přípravy dat přes trénování a hledání hyperparametrů až po poskytování modelů. Projekt původně inicioval Google a patří pod Cloud Native Computing Foundation, kde v srpnu 2026 dosáhl statusu „graduated“ (stav k říjnu 2026). Je určen hlavně týmům, které trénují vlastní modely ve velkém měřítku na vlastní nebo cloudové infrastruktuře.
Agenti, postupy a šablony v jednom pracovním prostoru – 24hodinové demo zdarma.
Spustit demoPipeline strojového učení je definovaná posloupnost kroků, která mění surová data na nasaditelný model: sběr a čištění dat, příprava rysů, trénování, vyhodnocení, nasazení a monitorování. Automatizace těchto kroků činí výsledky reprodukovatelnými a umožňuje zpracovat nová data s malým úsilím. Obchodník například může každý týden přetrénovat a otestovat model prognózy prodeje na nejnovějších číslech.
MLflow je open-source platforma pro správu celého životního cyklu modelů strojového učení, kterou původně v roce 2018 představila společnost Databricks. Zaznamenává experimenty včetně jejich parametrů a metrik, spravuje verze modelů v registru a usnadňuje nasazení. Novější verze podporují také trasování a vyhodnocování aplikací postavených na jazykových modelech. Týmy tak mohou dohledat, který model vznikl s jakými daty a nastaveními.
TensorFlow je open-source framework pro strojové učení, který vyvinul Google a vydal v roce 2015. Používá se k tvorbě, trénování a nasazení neuronových sítí v aplikacích, na serverech nebo na mobilních zařízeních. Keras nabízí přístupné vysokoúrovňové rozhraní; typické využití zahrnuje klasifikaci obrázků, předpovědi a doporučovací systémy.
PyTorch je open-source framework pro strojové a hluboké učení v programovacím jazyce Python. Původně jej vyvinula společnost Meta (tehdy Facebook) a od roku 2022 jej zaštiťuje PyTorch Foundation pod hlavičkou Linux Foundation. PyTorch je široce rozšířený ve výzkumu i průmyslu, protože vývojářům umožňuje flexibilně sestavovat modely, trénovat je na GPU a krok za krokem je testovat; je na něm postavena řada známých jazykových a obrazových modelů.
