BigML is een machine-learningplatform van het gelijknamige bedrijf, opgericht in 2011 en gevestigd in Corvallis, Oregon (VS). Via een webinterface of een API kunnen gebruikers zonder veel programmeerwerk modellen bouwen, zoals beslisbomen, ensembles, clustering of anomaliedetectie. Het platform legt de nadruk op interpreteerbare modellen en automatiseerbare workflows. Het wordt aangeboden als clouddienst en voor gebruik in het eigen datacenter (stand: oktober 2026).
Agents, workflows en sjablonen in één werkruimte – gratis demo van 24 uur.
Demo startenDataRobot is een Amerikaans softwarebedrijf waarvan het platform organisaties helpt AI-toepassingen te bouwen, te beheren en te bewaken. Het werd bekend door geautomatiseerd machine learning (AutoML), dat automatisch veel modelvarianten traint en vergelijkt – bijvoorbeeld om klantenverloop of vraag te voorspellen. Tegenwoordig richt het bedrijf zich ook op het draaien en besturen van AI-agents (stand oktober 2026).
KNIME is software voor data-analyse waarin workflows visueel uit bouwstenen (“nodes”) worden samengesteld in plaats van geprogrammeerd. Het open-source KNIME Analytics Platform omvat data-import, dataopschoning, analyse, machine learning en rapportage, terwijl de commerciële aanbiedingen van de leverancier samenwerking en gebruik binnen organisaties toevoegen. Een typisch voorbeeld is een workflow die maandelijkse verkoopgegevens uit meerdere Excel-bestanden samenvoegt, opschoont en er een voorspelling van maakt.
No-code verwijst naar tools waarmee mensen via grafische interfaces toepassingen, automatiseringen of websites bouwen zonder programmacode te schrijven. Businessteams kunnen processen zelf realiseren en testen in plaats van op IT-ontwikkeling te wachten. Grenzen ontstaan bij zeer specifieke eisen, grote datavolumes of diepe integraties. Voorbeeld: een salesteam bouwt met slepen en neerzetten een workflow die nieuwe aanvragen sorteert en samenvat.
Machine learning is een tak van de kunstmatige intelligentie waarin computers patronen uit data afleiden in plaats van dat elke regel expliciet wordt geprogrammeerd. Afhankelijk van de taak leren modellen van gelabelde voorbeelden (gesuperviseerd), van ongelabelde data (ongesuperviseerd) of via beloningen (reinforcement). Toepassingen variëren van spamfilters en vraagvoorspellingen tot productaanbevelingen. De kwaliteit hangt sterk af van de hoeveelheid en kwaliteit van de trainingsdata.
