BigML è una piattaforma di machine learning dell'omonima azienda fondata nel 2011 a Corvallis (Oregon, USA). Tramite un'interfaccia web o un'API permette di creare modelli come alberi decisionali, ensemble, clustering o rilevamento di anomalie senza dover programmare molto. Punta su modelli ben interpretabili e flussi di lavoro automatizzabili. È offerta come servizio cloud e per l'installazione nel proprio data center (aggiornato a ottobre 2026).
Agenti, flussi e modelli in un’unica area di lavoro – demo gratuita di 24 ore.
Avvia demoDataRobot è un'azienda software statunitense la cui piattaforma aiuta le organizzazioni a sviluppare, gestire e monitorare applicazioni di IA. È diventata nota con il machine learning automatizzato (AutoML), che addestra e confronta automaticamente molte varianti di modello, ad esempio per prevedere abbandoni dei clienti o domanda. Oggi l'azienda punta anche sulla gestione e sulla governance degli agenti di IA (aggiornato a ottobre 2026).
KNIME è un software di analisi dei dati in cui i flussi di lavoro si compongono graficamente con blocchi («nodi») invece di programmarli. La KNIME Analytics Platform open source copre importazione, pulizia e analisi dei dati, machine learning e reportistica; le offerte commerciali del produttore aggiungono collaborazione e gestione in azienda. Un esempio tipico è un workflow che ogni mese unisce i dati di vendita di più file Excel, li pulisce e genera una previsione.
No-code indica strumenti che permettono di creare applicazioni, automazioni o siti web tramite interfacce grafiche, senza scrivere codice. I reparti aziendali possono così realizzare e testare processi in autonomia, senza attendere lo sviluppo IT. I limiti emergono con requisiti molto specifici, grandi volumi di dati o integrazioni profonde. Esempio: un team vendite costruisce con il drag and drop un flusso che smista e riassume le nuove richieste.
L’apprendimento automatico (machine learning) è un ambito dell’intelligenza artificiale in cui i computer ricavano schemi dai dati invece di ricevere ogni regola programmata in modo esplicito. A seconda del compito, i modelli imparano da esempi etichettati (supervisionato), da dati non etichettati (non supervisionato) o tramite ricompense (per rinforzo). Le applicazioni vanno dai filtri antispam alle previsioni della domanda fino ai suggerimenti di prodotto. La qualità dipende molto da quantità e qualità dei dati di addestramento.
