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.
Agents, workflows en sjablonen in één werkruimte – gratis demo van 24 uur.
Demo startenEen 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.
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.
Amazon SageMaker is de clouddienst van Amazon Web Services (AWS) voor het bouwen, trainen en implementeren van machine-learningmodellen. Eind 2024 werd de oorspronkelijke dienst hernoemd tot “Amazon SageMaker AI”; sindsdien staat “Amazon SageMaker” voor een breder platform voor data, analytics en AI met de interface SageMaker Unified Studio (stand: oktober 2026). Het wordt vooral gebruikt door datascienceteams die modellen op AWS-infrastructuur draaien.
Modeldrift is de geleidelijke afname van de voorspelkwaliteit van een model tijdens het gebruik, doordat de werkelijkheid verandert ten opzichte van de trainingsgegevens. Er wordt onderscheid gemaakt tussen veranderingen in de invoergegevens (datadrift) en veranderingen in het verband tussen invoer en uitkomst (conceptdrift). Voorbeeld: een model voor fraudedetectie ziet nieuwe fraudepatronen over het hoofd. Als remedie dienen voortdurende bewaking van de meetwaarden en regelmatig hertrainen.
