Kubeflow on avoimen lähdekoodin alusta koneoppimistyönkulkujen ajamiseen Kubernetesissa datan valmistelusta koulutuksen ja hyperparametrien haun kautta mallin palveluun. Alun perin Googlen käynnistämä projekti kuuluu Cloud Native Computing Foundationille, jossa se saavutti ”graduated”-aseman elokuussa 2026 (tilanne lokakuussa 2026). Se on suunnattu pääasiassa tiimeille, jotka kouluttavat omia malleja laajassa mittakaavassa omalla tai pilvi-infrastruktuurilla.
Agentit, työnkulut ja mallit yhdessä työtilassa – maksuton 24 tunnin demo.
Aloita demoKoneoppimisen putki (pipeline) on määritelty vaiheiden sarja, joka muuttaa raakadatan käyttöönotettavaksi malliksi: datan keruu ja puhdistus, piirteiden valmistelu, koulutus, arviointi, käyttöönotto ja seuranta. Näiden vaiheiden automatisointi tekee tuloksista toistettavia ja mahdollistaa uuden datan käsittelyn vähällä vaivalla. Vähittäiskauppias voi esimerkiksi kouluttaa ja testata myyntiennustemallinsa uudelleen viikoittain tuoreimmilla luvuilla.
MLflow on avoimen lähdekoodin alusta koneoppimismallien koko elinkaaren hallintaan. Databricks esitteli sen alun perin vuonna 2018. Se kirjaa kokeet parametreineen ja mittareineen, hallitsee mallien versioita rekisterissä ja helpottaa käyttöönottoa. Uudemmat versiot tukevat myös kielimallipohjaisten sovellusten jäljitystä ja arviointia. Tiimit voivat siten selvittää, mikä malli on tuotettu millä datalla ja millä asetuksilla.
TensorFlow on Googlen kehittämä ja vuonna 2015 julkaistu avoimen lähdekoodin koneoppimiskehys. Sillä rakennetaan, opetetaan ja otetaan käyttöön neuroverkkoja sovelluksissa, palvelimilla tai mobiililaitteilla. Keras tarjoaa helppokäyttöisen korkean tason rajapinnan; tyypillisiä käyttökohteita ovat kuvien luokittelu, ennustaminen ja suosittelujärjestelmät.
PyTorch on avoimen lähdekoodin kehys koneoppimiseen ja syväoppimiseen Python-ohjelmointikielellä. Se kehitettiin alun perin Metalla (silloin Facebook), ja vuodesta 2022 sitä on ylläpitänyt PyTorch Foundation Linux Foundationin alaisuudessa. PyTorchia käytetään laajasti tutkimuksessa ja teollisuudessa, koska sen avulla kehittäjät voivat rakentaa malleja joustavasti, opettaa niitä GPU:illa ja testata niitä vaihe vaiheelta; monet tunnetut kieli- ja kuvamallit on rakennettu sillä.
