MLflow – atvirojo kodo platforma, skirta valdyti visą mašininio mokymosi modelių gyvavimo ciklą; ją 2018 m. pirmą kartą pristatė Databricks. Ji registruoja eksperimentus su jų parametrais ir metrikomis, valdo modelių versijas registre ir supaprastina diegimą. Naujesnės versijos taip pat palaiko kalbos modeliais pagrįstų programų sekimą ir vertinimą. Todėl komandos gali atsekti, koks modelis buvo sukurtas su kokiais duomenimis ir nustatymais.
Agentai, srautai ir šablonai vienoje darbo srityje – nemokama 24 valandų demonstracinė versija.
Pradėti demonstracijąMašininio mokymosi konvejeris (angl. pipeline) – tai apibrėžta žingsnių seka, kuri neapdorotus duomenis paverčia diegiamu modeliu: duomenų rinkimas ir valymas, požymių paruošimas, mokymas, vertinimas, diegimas ir stebėsena. Šių žingsnių automatizavimas daro rezultatus atkartojamus ir leidžia naujus duomenis apdoroti mažai pastangų. Pavyzdžiui, mažmenininkas gali kiekvieną savaitę perkvalifikuoti ir išbandyti savo pardavimų prognozavimo modelį naudodamas naujausius skaičius.
„Kubeflow“ yra atvirojo kodo platforma mašininio mokymosi darbo eigoms vykdyti ant „Kubernetes“, nuo duomenų paruošimo per mokymą ir hiperparametrų paiešką iki modelių teikimo. Iš pradžių ją inicijavo „Google“, projektas priklauso Cloud Native Computing Foundation, kur 2026 m. rugpjūtį pasiekė būseną „graduated“ (2026 m. spalio mėn. duomenimis). Ji skirta daugiausia komandoms, kurios dideliu mastu moko savo modelius savo ar debesijos infrastruktūroje.
Amazon SageMaker – Amazon Web Services (AWS) debesijos paslauga mašininio mokymosi modeliams kurti, mokyti ir diegti. 2024 m. pabaigoje pradinė paslauga pervadinta į „Amazon SageMaker AI“; nuo tada „Amazon SageMaker“ reiškia platesnę duomenų, analitikos ir DI platformą su SageMaker Unified Studio sąsaja (2026 m. spalio duomenimis). Ją daugiausia naudoja duomenų mokslo komandos, kurių modeliai veikia AWS infrastruktūroje.
Modelio dreifas – tai pamažu menkstanti modelio prognozių kokybė naudojimo metu, nes tikrovė keičiasi, palyginti su mokymo duomenimis. Skiriami įvesties duomenų pokyčiai (duomenų dreifas) ir ryšio tarp įvesties ir rezultatų pokyčiai (koncepcijos dreifas). Pavyzdys: sukčiavimo aptikimo modelis nepastebi naujų sukčiavimo schemų. Padeda nuolatinė metrikų stebėsena ir reguliarus permokymas.
