MLflow este o platformă open-source pentru gestionarea întregului ciclu de viață al modelelor de învățare automată, lansată inițial de Databricks în 2018. Înregistrează experimentele cu parametrii și metricile lor, gestionează versiunile modelelor într-un registru și simplifică implementarea. Versiunile mai recente acceptă și urmărirea (tracing) și evaluarea aplicațiilor construite pe modele lingvistice. Echipele pot astfel urmări ce model a fost obținut cu ce date și ce setări.
Agenți, fluxuri și șabloane într-un singur spațiu de lucru – demo gratuit de 24 de ore.
Porniți demo-ulUn pipeline de machine learning este o succesiune definită de pași care transformă datele brute într-un model gata de utilizare: colectarea și curățarea datelor, pregătirea caracteristicilor, antrenarea, evaluarea, punerea în producție și monitorizarea. Automatizarea acestor pași face rezultatele reproductibile și permite prelucrarea datelor noi cu efort redus. Un comerciant, de exemplu, își poate reantrena și testa în fiecare săptămână modelul de prognoză a vânzărilor folosind cele mai recente cifre.
Kubeflow este o platformă open-source pentru rularea fluxurilor de lucru de machine learning pe Kubernetes, de la pregătirea datelor, prin antrenare și căutarea hiperparametrilor, până la servirea modelelor. Inițiat inițial de Google, proiectul aparține Cloud Native Computing Foundation, unde a atins statutul „graduated” în august 2026 (situația la octombrie 2026). Se adresează în principal echipelor care antrenează la scară largă propriile modele, pe infrastructură proprie sau în cloud.
Amazon SageMaker este serviciul cloud Amazon Web Services (AWS) pentru crearea, antrenarea și implementarea modelelor de învățare automată. La sfârșitul anului 2024, serviciul inițial a fost redenumit „Amazon SageMaker AI”; de atunci, „Amazon SageMaker” desemnează o platformă mai amplă pentru date, analiză și IA, cu interfața SageMaker Unified Studio (situația din octombrie 2026). Este utilizat în principal de echipele de data science care rulează modele pe infrastructura AWS.
Deriva de model este scăderea treptată a calității predicțiilor unui model în timpul funcționării, deoarece realitatea se modifică în raport cu datele de antrenare. Se face distincția între modificările datelor de intrare (data drift) și modificările relației dintre intrări și rezultate (concept drift). Exemplu: un model de detectare a fraudelor nu mai recunoaște scheme frauduloase noi. Remediile includ monitorizarea continuă a metricilor și reantrenarea periodică.
