Glossário

Pipeline de machine learning

O que é Pipeline de machine learning?

Um pipeline de machine learning é uma sequência definida de passos que transforma dados em bruto num modelo implementável: recolha e limpeza de dados, preparação de características, treino, avaliação, implementação e monitorização. Automatizar estes passos torna os resultados reprodutíveis e permite processar novos dados com pouco esforço. Um retalhista pode, por exemplo, voltar a treinar e testar semanalmente o seu modelo de previsão de vendas com os números mais recentes.

Temas

MLOps
automatização
processamento de dados

Experimentar o KI.ordo

Agentes, fluxos e modelos num só espaço de trabalho – demonstração gratuita de 24 horas.

Iniciar demonstração

← Todos os termos

Termos relacionados

Limpeza de dados

A limpeza de dados consiste em detetar e corrigir entradas incorretas, duplicadas ou inconsistentes em conjuntos de dados. Os passos típicos incluem uniformizar grafias e formatos de data, remover espaços supérfluos e fundir duplicados como "Silva Lda" e "Silva Limitada". Dados limpos são um requisito para análises, envios em massa e aplicações de IA fiáveis.

qualidade dos dados
duplicados
+1

Modelo

Engenharia e extração de características

A engenharia de características consiste em selecionar, transformar e criar atributos (características) a partir de dados em bruto, para que um algoritmo de aprendizagem consiga detetar padrões com mais facilidade. A extração de características obtém valores compactos e significativos a partir de dados complexos, como texto, imagens ou sinais. Exemplo: registos de compras individuais são transformados em características como "dias desde a última compra" ou "valor médio da encomenda", o que pode melhorar de forma notória uma previsão de abandono de clientes.

Aprendizagem automática
Preparação de dados
+1

MLflow

O MLflow é uma plataforma de código aberto para gerir todo o ciclo de vida de modelos de aprendizagem automática, apresentada originalmente pela Databricks em 2018. Regista experiências com os respetivos parâmetros e métricas, gere versões de modelos num registo e simplifica a implementação. As versões mais recentes suportam também o rastreio e a avaliação de aplicações baseadas em modelos de linguagem. Assim, as equipas conseguem perceber que modelo foi produzido com que dados e com que configurações.

MLOps
código aberto
+1

Kubeflow

O Kubeflow é uma plataforma de código aberto para executar fluxos de trabalho de machine learning no Kubernetes, desde a preparação de dados e o treino até à pesquisa de hiperparâmetros e ao serviço de modelos. Iniciado originalmente pela Google, o projeto pertence à Cloud Native Computing Foundation, onde atingiu o estatuto "graduated" em agosto de 2026 (situação em outubro de 2026). Destina-se sobretudo a equipas que treinam os seus próprios modelos em grande escala na sua própria infraestrutura ou na nuvem.

MLOps
Kubernetes
+1