BigML je platforma za strojno učenje istoimene tvrtke, osnovane 2011., sa sjedištem u Corvallisu u Oregonu (SAD). Putem web-sučelja ili API-ja korisnici mogu bez mnogo programiranja izrađivati modele kao što su stabla odlučivanja, ansambli, klasteriranje ili otkrivanje anomalija. Naglasak stavlja na interpretabilne modele i tijekove rada koji se mogu automatizirati. Nudi se kao usluga u oblaku i za rad u vlastitom podatkovnom centru (stanje: listopad 2026.).
Agenti, tijekovi rada i predlošci u jednom radnom prostoru – besplatna demo verzija na 24 sata.
Pokrenite demoDataRobot je američka softverska tvrtka čija platforma pomaže organizacijama u izgradnji, pokretanju i nadzoru UI aplikacija. Postala je poznata po automatiziranom strojnom učenju (AutoML), koje automatski trenira i uspoređuje mnoge varijante modela – primjerice za predviđanje odlaska klijenata ili potražnje. Danas se tvrtka usredotočuje i na pokretanje UI agenata te upravljanje njima (stanje: listopad 2026.).
KNIME je softver za analitiku podataka u kojem se tijekovi rada vizualno sastavljaju od blokova („čvorova”) umjesto da se programiraju. Open-source KNIME Analytics Platform obuhvaća uvoz podataka, čišćenje, analizu, strojno učenje i izvješćivanje, dok komercijalne ponude pružatelja dodaju suradnju i rad unutar organizacija. Tipičan primjer je tijek rada koji spaja mjesečne podatke o prodaji iz više Excel datoteka, čisti ih i izrađuje prognozu.
No-code označava alate koji omogućuju izradu aplikacija, automatizacija ili web-stranica putem grafičkih sučelja, bez pisanja programskog koda. Poslovni timovi sami mogu provesti i testirati procese umjesto da čekaju IT razvoj. Ograničenja se pojavljuju kod vrlo specijaliziranih zahtjeva, velikih količina podataka ili dubokih integracija. Primjer: prodajni tim povlačenjem i ispuštanjem izrađuje tijek rada koji razvrstava i sažima nove upite.
Strojno učenje je grana umjetne inteligencije u kojoj računala iz podataka izvode obrasce umjesto da im se svako pravilo izričito programira. Ovisno o zadatku, modeli uče iz označenih primjera (nadzirano), iz neoznačenih podataka (nenadzirano) ili putem nagrada (podržano). Primjene sežu od filtara za spam i prognoza potražnje do preporuka proizvoda. Kvaliteta uvelike ovisi o količini i kvaliteti podataka za treniranje.
