MLflow je platforma otvorenog koda za upravljanje cijelim životnim ciklusom modela strojnog učenja, koju je izvorno 2018. predstavio Databricks. Bilježi eksperimente s njihovim parametrima i metrikama, upravlja verzijama modela u registru i pojednostavnjuje puštanje u rad. Novije verzije podržavaju i praćenje te evaluaciju aplikacija izgrađenih na jezičnim modelima. Timovi tako mogu pratiti koji je model nastao s kojim podacima i postavkama.
Agenti, tijekovi rada i predlošci u jednom radnom prostoru – besplatna demo verzija na 24 sata.
Pokrenite demoCjevovod strojnog učenja (machine learning pipeline) definiran je slijed koraka koji sirove podatke pretvara u model spreman za uporabu: prikupljanje i čišćenje podataka, priprema obilježja, treniranje, vrednovanje, uvođenje i nadzor. Automatizacijom tih koraka rezultati postaju ponovljivi, a novi se podaci mogu obrađivati uz malo truda. Trgovac, primjerice, svaki tjedan može ponovno trenirati i testirati svoj model za prognozu prodaje s najnovijim brojkama.
Kubeflow je open-source platforma za pokretanje tijekova rada strojnog učenja na Kubernetesu, od pripreme podataka preko treniranja i pretrage hiperparametara do posluživanja modela. Projekt, koji je izvorno pokrenuo Google, pripada zakladi Cloud Native Computing Foundation, gdje je u kolovozu 2026. dosegao status „graduated” (stanje: listopad 2026.). Namijenjen je prvenstveno timovima koji u velikom opsegu treniraju vlastite modele na vlastitoj ili oblačnoj infrastrukturi.
Amazon SageMaker usluga je u oblaku tvrtke Amazon Web Services (AWS) za izradu, učenje i uvođenje modela strojnog učenja. Krajem 2024. izvorna usluga preimenovana je u „Amazon SageMaker AI“; otada „Amazon SageMaker“ označava širu platformu za podatke, analitiku i UI sa sučeljem SageMaker Unified Studio (stanje: listopad 2026.). Koriste je uglavnom timovi za podatkovnu znanost koji pokreću modele na AWS infrastrukturi.
Pomak modela postupno je smanjenje kvalitete predviđanja modela tijekom rada jer se stvarnost mijenja u odnosu na podatke za učenje. Razlikuju se promjene ulaznih podataka (pomak podataka) i promjene odnosa između ulaznih podataka i ishoda (pomak koncepta). Primjer: model za otkrivanje prijevara ne prepoznaje nove obrasce prijevara. Rješenja su kontinuirano praćenje metrika i redovito ponovno učenje.
