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.
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.
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.
Amazon SageMaker on Amazon Web Servicesi (AWS) pilveteenus masinõppemudelite loomiseks, treenimiseks ja kasutuselevõtuks. 2024. aasta lõpus nimetati algne teenus ümber „Amazon SageMaker AI“-ks; sellest ajast tähistab „Amazon SageMaker“ laiemat andmete, analüütika ja TI platvormi, millel on SageMaker Unified Studio liides (seisuga oktoober 2026). Seda kasutavad peamiselt andmeteaduse meeskonnad, kes käitavad mudeleid AWS-i taristul.
Mudeli triiv on mudeli ennustuskvaliteedi järkjärguline langus kasutuse ajal, kuna tegelikkus muutub treeningandmetega võrreldes. Eristatakse sisendandmete muutusi (andmetriiv) ning sisendite ja tulemuste vahelise seose muutusi (kontseptsioonitriiv). Näide: pettuste tuvastamise mudel ei märka uusi pettuseskeeme. Abinõudeks on mõõdikute pidev jälgimine ja regulaarne ümberõpe.
