BigML er en maskinlæringsplatform fra virksomheden af samme navn, grundlagt i 2011 og med hovedsæde i Corvallis, Oregon (USA). Via en webbrugerflade eller en API kan brugerne bygge modeller som beslutningstræer, ensembler, klyngeanalyse eller anomalidetektion uden megen programmering. Platformen lægger vægt på fortolkelige modeller og automatiserbare arbejdsgange. Den tilbydes som cloudtjeneste og til drift i eget datacenter (pr. oktober 2026).
DataRobot er en amerikansk softwarevirksomhed, hvis platform hjælper organisationer med at bygge, drive og overvåge AI-applikationer. Den blev kendt for automatiseret maskinlæring (AutoML), som automatisk træner og sammenligner mange modelvarianter – f.eks. til at forudsige kundeafgang eller efterspørgsel. I dag fokuserer virksomheden også på drift og styring af AI-agenter (status oktober 2026).
KNIME er dataanalysesoftware, hvor arbejdsgange sættes sammen visuelt af byggeklodser (»noder«) i stedet for at blive programmeret. Open source-platformen KNIME Analytics Platform dækker dataimport, rensning, analyse, maskinlæring og rapportering, mens udbyderens kommercielle tilbud tilføjer samarbejde og drift i organisationer. Et typisk eksempel er en arbejdsgang, der samler månedlige salgsdata fra flere Excel-filer, renser dem og laver en prognose.
No-code betegner værktøjer, der lader folk bygge applikationer, automatiseringer eller websites via grafiske grænseflader uden at skrive programkode. Fagafdelinger kan selv implementere og teste processer i stedet for at vente på IT-udvikling. Der opstår grænser ved meget specialiserede krav, store datamængder eller dybe integrationer. Eksempel: et salgsteam bygger med træk og slip et flow, der sorterer og opsummerer nye henvendelser.
Maskinlæring er en gren af kunstig intelligens, hvor computere udleder mønstre af data i stedet for at få hver regel programmeret eksplicit. Afhængigt af opgaven lærer modeller af mærkede eksempler (overvåget), af umærkede data (uovervåget) eller gennem belønninger (reinforcement). Anvendelserne spænder fra spamfiltre og efterspørgselsprognoser til produktanbefalinger. Kvaliteten afhænger i høj grad af mængden og kvaliteten af træningsdataene.
