BigML – to paties pavadinimo įmonės mašininio mokymosi platforma; įmonė įkurta 2011 m., jos būstinė – Corvallis mieste, Oregone (JAV). Per žiniatinklio sąsają arba API naudotojai gali kurti modelius, pavyzdžiui, sprendimų medžius, ansamblius, klasterizavimą ar anomalijų aptikimą, beveik nerašydami kodo. Ji akcentuoja interpretuojamus modelius ir automatizuojamas darbo eigas. Ji siūloma kaip debesijos paslauga ir diegimui savo duomenų centre (2026 m. spalio duomenimis).
Agentai, srautai ir šablonai vienoje darbo srityje – nemokama 24 valandų demonstracinė versija.
Pradėti demonstraciją„DataRobot“ yra JAV programinės įrangos bendrovė, kurios platforma padeda organizacijoms kurti, eksploatuoti ir stebėti DI taikomąsias programas. Išgarsėjo automatizuotu mašininiu mokymusi (AutoML), kuris automatiškai apmoko ir palygina daugybę modelių variantų – pavyzdžiui, klientų nutekėjimui ar paklausai prognozuoti. Šiandien bendrovė daug dėmesio skiria ir DI agentų paleidimui bei valdymui (2026 m. spalio mėn. duomenimis).
KNIME yra duomenų analitikos programinė įranga, kurioje darbo eigos surenkamos vizualiai iš blokų („mazgų“), o ne programuojamos. Atvirojo kodo KNIME Analytics Platform apima duomenų importą, valymą, analizę, mašininį mokymąsi ir ataskaitų rengimą, o komerciniai teikėjo pasiūlymai prideda bendradarbiavimą ir eksploatavimą organizacijose. Tipinis pavyzdys – darbo eiga, kuri sujungia mėnesio pardavimų duomenis iš kelių „Excel“ failų, išvalo juos ir sudaro prognozę.
No-code – tai įrankiai, leidžiantys kurti programas, automatizavimus ar svetaines grafinėmis sąsajomis, nerašant programinio kodo. Verslo komandos procesus gali įgyvendinti ir išbandyti pačios, nelaukdamos IT kūrėjų. Apribojimai atsiranda esant labai specializuotiems reikalavimams, dideliems duomenų kiekiams ar gilioms integracijoms. Pavyzdys: pardavimų komanda tempimo ir paleidimo būdu sukuria srautą, kuris rūšiuoja ir apibendrina naujas užklausas.
Mašininis mokymasis yra dirbtinio intelekto šaka, kurioje kompiuteriai dėsningumus išveda iš duomenų, o ne turi aiškiai užprogramuotą kiekvieną taisyklę. Priklausomai nuo užduoties, modeliai mokosi iš pažymėtų pavyzdžių (su priežiūra), iš nepažymėtų duomenų (be priežiūros) arba per atlygius (sustiprintas mokymasis). Taikymai apima nuo šlamšto filtrų ir paklausos prognozių iki produktų rekomendacijų. Kokybė labai priklauso nuo mokymo duomenų kiekio ir kokybės.
