BigML on samanimelise, 2011. aastal asutatud ja Corvallises Oregonis (USA) asuva ettevõtte masinõppeplatvorm. Veebiliidese või API kaudu saavad kasutajad ilma suurema programmeerimiseta luua mudeleid, nagu otsustuspuud, ansamblid, klasterdamine või anomaaliate tuvastamine. See rõhutab tõlgendatavaid mudeleid ja automatiseeritavaid töövooge. Seda pakutakse pilveteenusena ja oma andmekeskuses käitamiseks (seisuga oktoober 2026).
DataRobot on USA tarkvaraettevõte, mille platvorm aitab organisatsioonidel luua, käitada ja jälgida TI-rakendusi. Ettevõte sai tuntuks automatiseeritud masinõppega (AutoML), mis treenib ja võrdleb automaatselt paljusid mudelivariante – näiteks klientide lahkumise või nõudluse prognoosimiseks. Tänapäeval keskendub ettevõte ka TI-agentide käitamisele ja haldamisele (seisuga oktoober 2026).
KNIME on andmeanalüütika tarkvara, kus töövood pannakse visuaalselt kokku plokkidest („sõlmedest“) programmeerimise asemel. Avatud lähtekoodiga KNIME Analytics Platform katab andmete importimise, puhastamise, analüüsi, masinõppe ja aruandluse, samas kui pakkuja kommertstooted lisavad koostöö ja käitamise organisatsioonides. Tüüpiline näide on töövoog, mis ühendab mitmest Exceli failist igakuised müügiandmed, puhastab need ja koostab prognoosi.
No-code tähendab tööriistu, mis võimaldavad inimestel luua rakendusi, automatiseeringuid või veebilehti graafiliste liideste kaudu ilma programmikoodi kirjutamata. Ärimeeskonnad saavad protsesse ise ellu viia ja testida, selle asemel et oodata IT-arendust. Piirid tulevad vastu väga spetsiifiliste nõuete, suurte andmemahtude või sügavate integratsioonide puhul. Näide: müügitiim ehitab lohistamisega töövoo, mis sorteerib ja võtab kokku uusi päringuid.
Masinõpe on tehisintellekti haru, kus arvutid tuletavad andmetest mustreid, selle asemel et iga reegel oleks selgesõnaliselt programmeeritud. Olenevalt ülesandest õpivad mudelid märgendatud näidetest (juhendatud), märgendamata andmetest (juhendamata) või preemiate kaudu (tugevdusõpe). Rakendused ulatuvad rämpsposti filtritest ja nõudluse prognoosidest tootesoovitusteni. Kvaliteet sõltub suuresti treeningandmete hulgast ja kvaliteedist.
