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.
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.
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.
Amazon SageMaker je cloudová služba Amazon Web Services (AWS) pro vývoj, trénování a nasazování modelů strojového učení. Na konci roku 2024 byla původní služba přejmenována na „Amazon SageMaker AI“; od té doby název „Amazon SageMaker“ označuje širší platformu pro data, analytiku a AI s rozhraním SageMaker Unified Studio (stav k říjnu 2026). Používají ji hlavně týmy datové vědy, které provozují modely na infrastruktuře AWS.
Posun modelu je postupný pokles kvality předpovědí modelu za provozu, protože se realita oproti trénovacím datům mění. Rozlišuje se změna vstupních dat (data drift) a změna vztahu mezi vstupy a výsledky (concept drift). Příklad: model pro odhalování podvodů přehlédne nová podvodná schémata. Řešením je průběžné sledování metrik a pravidelné opakované trénování.
