Een machine-learningpipeline is een vastgelegde reeks stappen die ruwe data omzet in een inzetbaar model: data verzamelen en opschonen, kenmerken voorbereiden, trainen, evalueren, uitrollen en bewaken. Het automatiseren van deze stappen maakt resultaten reproduceerbaar en zorgt ervoor dat nieuwe data met weinig moeite kan worden verwerkt. Een retailer kan bijvoorbeeld elke week zijn omzetvoorspellingsmodel opnieuw trainen en testen met de nieuwste cijfers.
Agents, workflows en sjablonen in één werkruimte – gratis demo van 24 uur.
Demo startenDataopschoning is het opsporen en corrigeren van onjuiste, dubbele of inconsistente items in datasets. Typische stappen zijn het uniformeren van schrijfwijzen en datumnotaties, het verwijderen van overbodige spaties en het samenvoegen van dubbele records zoals ‘Jansen BV’ en ‘Jansen B.V.’. Schone data is een voorwaarde voor betrouwbare analyses, mailings en AI-toepassingen.
Feature engineering betekent het selecteren, transformeren en creëren van kenmerken (features) uit ruwe data, zodat een leeralgoritme patronen makkelijker kan herkennen. Feature-extractie leidt compacte, zinvolle waarden af uit complexe data zoals tekst, beelden of signalen. Voorbeeld: afzonderlijke aankoopgegevens worden omgezet in kenmerken als ‘dagen sinds laatste aankoop’ of ‘gemiddelde orderwaarde’, wat een voorspelling van klantenverloop merkbaar kan verbeteren.
MLflow is een open-sourceplatform voor het beheer van de volledige levenscyclus van machinelearningmodellen, oorspronkelijk in 2018 geïntroduceerd door Databricks. Het legt experimenten vast met hun parameters en meetwaarden, beheert modelversies in een register en vereenvoudigt de uitrol. Recentere versies ondersteunen ook het traceren en evalueren van toepassingen die op taalmodellen zijn gebouwd. Teams kunnen zo nagaan welk model met welke gegevens en instellingen is ontstaan.
Kubeflow is een open-sourceplatform om machine-learningworkflows op Kubernetes uit te voeren, van datavoorbereiding via training en hyperparameterzoektocht tot het beschikbaar stellen van modellen. Het project is oorspronkelijk geïnitieerd door Google en hoort bij de Cloud Native Computing Foundation, waar het in augustus 2026 de status “graduated” bereikte (stand oktober 2026). Het richt zich vooral op teams die op grote schaal eigen modellen trainen op eigen of cloudinfrastructuur.
