Glossario

MLflow

Che cos’è MLflow?

MLflow è una piattaforma open source per gestire l’intero ciclo di vita dei modelli di machine learning, presentata originariamente da Databricks nel 2018. Registra gli esperimenti con parametri e metriche, gestisce le versioni dei modelli in un registro e semplifica la messa in produzione. Le versioni più recenti supportano anche il tracciamento e la valutazione di applicazioni basate su modelli linguistici. I team possono così ricostruire con quali dati e impostazioni è nato ogni modello.

Temi

MLOps
open source
gestione modelli

Prova KI.ordo

Agenti, flussi e modelli in un’unica area di lavoro – demo gratuita di 24 ore.

Avvia demo

← Tutti i termini

Termini correlati

Pipeline di machine learning

Una pipeline di machine learning è una sequenza definita di fasi che trasforma dati grezzi in un modello pronto all’uso: raccolta e pulizia dei dati, preparazione delle caratteristiche, addestramento, valutazione, messa in produzione e monitoraggio. L’automazione rende i risultati riproducibili e permette di elaborare nuovi dati con poco sforzo. Un rivenditore, ad esempio, può riaddestrare e verificare ogni settimana il proprio modello di previsione delle vendite con i dati più recenti.

MLOps
automazione
+1

Kubeflow

Kubeflow è una piattaforma open source per eseguire flussi di machine learning su Kubernetes, dalla preparazione dei dati all'addestramento, alla ricerca degli iperparametri fino alla messa in produzione dei modelli. Avviato originariamente da Google, il progetto fa parte della Cloud Native Computing Foundation, dove ad agosto 2026 ha raggiunto lo stato «graduated» (aggiornato a ottobre 2026). Si rivolge soprattutto a team che addestrano modelli propri su larga scala su infrastruttura propria o cloud.

MLOps
Kubernetes
+1

Amazon SageMaker

Amazon SageMaker è il servizio cloud di Amazon Web Services (AWS) per sviluppare, addestrare e mettere in produzione modelli di machine learning. A fine 2024 il servizio originale è stato rinominato “Amazon SageMaker AI”; da allora “Amazon SageMaker” indica una piattaforma più ampia per dati, analisi e IA con l'interfaccia SageMaker Unified Studio (aggiornato a ottobre 2026). È usato soprattutto da team di data science che gestiscono modelli sull'infrastruttura AWS.

Cloud
MLOps
+1

Deriva del modello (model drift)

Il model drift è il progressivo calo della qualità predittiva di un modello in esercizio, perché la realtà cambia rispetto ai dati di addestramento. Si distinguono i cambiamenti nei dati in ingresso (data drift) e quelli nella relazione tra input e risultato (concept drift). Esempio: un modello antifrode non riconosce nuovi schemi di frode. I rimedi sono il monitoraggio continuo delle metriche e il riaddestramento periodico.

MLOps
qualità del modello
+1