Fogalomtár

MLflow

Mi a(z) MLflow?

Az MLflow egy nyílt forráskódú platform a gépi tanulási modellek teljes életciklusának kezelésére; eredetileg a Databricks mutatta be 2018-ban. Rögzíti a kísérleteket paramétereikkel és mérőszámaikkal együtt, a modellverziókat egy nyilvántartásban kezeli, és egyszerűsíti az üzembe helyezést. Az újabb verziók a nyelvi modellekre épülő alkalmazások nyomon követését (tracing) és kiértékelését is támogatják. A csapatok így vissza tudják követni, melyik modell milyen adatokkal és beállításokkal készült.

Témák

MLOps
nyílt forráskód
modellkezelés

Próbálja ki a KI.ordót

Ügynökök, munkafolyamatok és sablonok egyetlen munkaterületen – ingyenes, 24 órás demó.

Demó indítása

← Minden fogalom

Kapcsolódó fogalmak

Gépi tanulási csővezeték

A gépi tanulási csővezeték (machine learning pipeline) a lépések meghatározott sorozata, amely a nyers adatokból telepíthető modellt hoz létre: adatgyűjtés és -tisztítás, jellemzők előkészítése, tanítás, értékelés, telepítés és monitorozás. E lépések automatizálása reprodukálhatóvá teszi az eredményeket, és kevés ráfordítással lehetővé teszi az új adatok feldolgozását. Egy kereskedő például hetente újratanítja és teszteli az értékesítési előrejelző modelljét a legfrissebb adatokkal.

MLOps
automatizálás
+1

Kubeflow

A Kubeflow egy nyílt forráskódú platform gépi tanulási munkafolyamatok Kubernetesen történő futtatásához, az adat-előkészítéstől a tanításon és a hiperparaméter-kereséshez át a modellkiszolgálásig. A projektet eredetileg a Google kezdeményezte, ma a Cloud Native Computing Foundationhöz tartozik, ahol 2026 augusztusában elérte a „graduated” státuszt (2026. októberi állapot szerint). Elsősorban azoknak a csapatoknak szól, amelyek nagy léptékben, saját vagy felhőinfrastruktúrán tanítanak saját modelleket.

MLOps
Kubernetes
+1

Amazon SageMaker

Az Amazon SageMaker az Amazon Web Services (AWS) felhőszolgáltatása gépi tanulási modellek létrehozására, tanítására és üzembe helyezésére. 2024 végén az eredeti szolgáltatást „Amazon SageMaker AI” névre keresztelték át; azóta az „Amazon SageMaker” egy szélesebb körű, adatokra, elemzésre és MI-re szolgáló platformot jelöl SageMaker Unified Studio felülettel (2026. októberi állapot). Főként olyan adattudományi csapatok használják, amelyek AWS-infrastruktúrán futtatnak modelleket.

Cloud
MLOps
+1

Modelleltolódás

A modelleltolódás a modell előrejelzési minőségének fokozatos romlása működés közben, mert a valóság a tanítóadatokhoz képest megváltozik. Megkülönböztetünk a bemeneti adatok változását (adateltolódás, data drift) és a bemenetek és az eredmények közötti összefüggés változását (koncepcióeltolódás, concept drift). Példa: egy csalásfelismerő modell nem veszi észre az új csalási módszereket. Ellenszer a mérőszámok folyamatos monitorozása és a rendszeres újratanítás.

MLOps
modellminőség
+1