MLflow ir atvērtā pirmkoda platforma visa mašīnmācīšanās modeļu dzīves cikla pārvaldībai, ko 2018. gadā sākotnēji ieviesa Databricks. Tā reģistrē eksperimentus ar to parametriem un metrikām, pārvalda modeļu versijas reģistrā un vienkāršo izvietošanu. Jaunākās versijas atbalsta arī uz valodas modeļiem balstītu lietojumprogrammu izsekošanu un novērtēšanu. Tādējādi komandas var izsekot, kurš modelis ir izveidots ar kādiem datiem un iestatījumiem.
Mašīnmācīšanās konveijers ir noteikta soļu secība, kas neapstrādātus datus pārvērš ieviešamā modelī: datu vākšana un tīrīšana, pazīmju sagatavošana, apmācība, novērtēšana, ieviešana un uzraudzība. Šo soļu automatizēšana padara rezultātus atkārtojamus un ļauj ar nelielu piepūli apstrādāt jaunus datus. Piemēram, mazumtirgotājs katru nedēļu var pārapmācīt un pārbaudīt savu pārdošanas prognozēšanas modeli ar jaunākajiem skaitļiem.
Kubeflow ir atvērtā pirmkoda platforma mašīnmācīšanās darba plūsmu darbināšanai uz Kubernetes — no datu sagatavošanas caur apmācību un hiperparametru meklēšanu līdz modeļu apkalpošanai. Projektu sākotnēji ierosināja Google, tas pieder Cloud Native Computing Foundation, kur 2026. gada augustā ieguva statusu „graduated” (stāvoklis 2026. gada oktobrī). Tas galvenokārt paredzēts komandām, kas apjomīgi apmāca savus modeļus uz savas vai mākoņa infrastruktūras.
Amazon SageMaker ir Amazon Web Services (AWS) mākoņpakalpojums mašīnmācīšanās modeļu izveidei, apmācībai un ieviešanai. 2024. gada beigās sākotnējais pakalpojums tika pārdēvēts par „Amazon SageMaker AI”; kopš tā laika „Amazon SageMaker” apzīmē plašāku datu, analītikas un MI platformu ar saskarni SageMaker Unified Studio (stāvoklis uz 2026. gada oktobri). To galvenokārt izmanto datu zinātnes komandas, kas darbina modeļus AWS infrastruktūrā.
Modeļa novirze ir pakāpeniska modeļa prognožu kvalitātes pasliktināšanās ekspluatācijas laikā, jo realitāte mainās salīdzinājumā ar apmācības datiem. Izšķir ievaddatu izmaiņas (datu novirze) un izmaiņas sakarībā starp ievadi un rezultātiem (koncepta novirze). Piemērs: krāpšanas atklāšanas modelis nepamana jaunas krāpšanas shēmas. Pretlīdzekļi ir nepārtraukta metriku uzraudzība un regulāra atkārtota apmācība.
