Kubeflow on avatud lähtekoodiga platvorm masinõppe töövoogude käitamiseks Kubernetesel, alates andmete ettevalmistusest kuni treenimise ja hüperparameetrite otsinguni ning mudelite teenindamiseni. Algselt Google'i algatatud projekt kuulub Cloud Native Computing Foundationi, kus see saavutas 2026. aasta augustis staatuse „graduated“ (seisuga oktoober 2026). See on suunatud peamiselt meeskondadele, kes treenivad oma mudeleid suures mahus oma või pilvetaristul.
Masinõppe torujuhe (pipeline) on määratletud sammude jada, mis muudab toorandmed kasutuselevõetavaks mudeliks: andmete kogumine ja puhastamine, tunnuste ettevalmistus, treenimine, hindamine, kasutuselevõtt ja jälgimine. Nende sammude automatiseerimine muudab tulemused reprodutseeritavaks ja võimaldab uusi andmeid väikese vaevaga töödelda. Näiteks saab jaemüüja oma müügiprognoosi mudelit igal nädalal uusimate numbritega uuesti treenida ja testida.
MLflow on avatud lähtekoodiga platvorm masinõppemudelite kogu elutsükli haldamiseks, mille tõi 2018. aastal algselt välja Databricks. See salvestab katsed koos nende parameetrite ja mõõdikutega, haldab mudeliversioone registris ning lihtsustab kasutuselevõttu. Uuemad versioonid toetavad ka keelemudelitel põhinevate rakenduste jälgimist ja hindamist. Tiimid saavad seega tagantjärele näha, milline mudel loodi milliste andmete ja seadistustega.
TensorFlow on Google'i välja töötatud ja 2015. aastal avaldatud avatud lähtekoodiga masinõppe raamistik. Seda kasutatakse närvivõrkude ehitamiseks, treenimiseks ja kasutuselevõtuks rakendustes, serverites või mobiilseadmetes. Keras pakub ligipääsetavat kõrgetasemelist liidest; tüüpilised kasutusalad on piltide klassifitseerimine, prognoosimine ja soovitussüsteemid.
PyTorch on avatud lähtekoodiga raamistik masinõppeks ja süvaõppeks Pythoni programmeerimiskeeles. See töötati algselt välja Metas (tollal Facebook) ning seda haldab alates 2022. aastast Linux Foundationi alla kuuluv PyTorch Foundation. PyTorchi kasutatakse laialdaselt teaduses ja tööstuses, sest see võimaldab arendajatel mudeleid paindlikult ehitada, GPU-del treenida ja samm-sammult testida; paljud tuntud keele- ja pildimudelid on sellega ehitatud.
