Glossário

MLflow

O que é 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.

Temas

MLOps
código aberto
gestão de modelos

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

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.

MLOps
automatização
+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

Amazon SageMaker

O Amazon SageMaker é o serviço cloud da Amazon Web Services (AWS) para criar, treinar e implementar modelos de aprendizagem automática. No final de 2024, o serviço original passou a chamar-se «Amazon SageMaker AI»; desde então, «Amazon SageMaker» designa uma plataforma mais abrangente para dados, análise e IA com a interface SageMaker Unified Studio (em outubro de 2026). É utilizado sobretudo por equipas de ciência de dados que executam modelos na infraestrutura da AWS.

Cloud
MLOps
+1

Desvio do modelo

O desvio do modelo é a perda gradual de qualidade preditiva de um modelo durante o funcionamento, porque a realidade se altera em relação aos dados de treino. Distingue-se entre alterações nos dados de entrada (desvio dos dados) e alterações na relação entre as entradas e os resultados (desvio de conceito). Exemplo: um modelo de deteção de fraude deixa passar novos esquemas de fraude. Entre as soluções contam-se a monitorização contínua das métricas e o retreino regular.

MLOps
qualidade do modelo
+1