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.
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.
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.
Amazon SageMaker on Amazon Web Servicesin (AWS) pilvipalvelu koneoppimismallien rakentamiseen, kouluttamiseen ja käyttöönottoon. Vuoden 2024 lopulla alkuperäinen palvelu nimettiin uudelleen nimellä ”Amazon SageMaker AI”; siitä lähtien ”Amazon SageMaker” on tarkoittanut laajempaa datan, analytiikan ja tekoälyn alustaa, jonka käyttöliittymä on SageMaker Unified Studio (tilanne lokakuussa 2026). Sitä käyttävät pääasiassa data science -tiimit, jotka ajavat malleja AWS-infrastruktuurissa.
Mallin ajautuma (model drift) on mallin ennustelaadun vähittäistä heikkenemistä käytön aikana, koska todellisuus muuttuu opetusdataan verrattuna. Erotetaan toisistaan syöttödatan muutokset (data drift) ja syötteiden sekä lopputulosten välisen suhteen muutokset (concept drift). Esimerkki: petostentunnistusmalli ei havaitse uusia huijaustapoja. Keinoja ovat mittareiden jatkuva seuranta ja säännöllinen uudelleenopetus.
