Kubeflow je open-source platforma na spúšťanie pracovných postupov strojového učenia na Kubernetes, od prípravy údajov cez trénovanie a hľadanie hyperparametrov až po poskytovanie modelov. Projekt pôvodne inicioval Google a patrí pod Cloud Native Computing Foundation, kde v auguste 2026 dosiahol štatút „graduated“ (stav k októbru 2026). Je určený hlavne tímom, ktoré vo veľkom trénujú vlastné modely na vlastnej alebo cloudovej infraštruktúre.
Agenti, postupy a šablóny v jednom pracovnom priestore – bezplatné 24-hodinové demo.
Spustiť demoPipeline strojového učenia je definovaná postupnosť krokov, ktorá mení surové údaje na nasaditeľný model: zber a čistenie údajov, príprava príznakov, trénovanie, vyhodnotenie, nasadenie a monitorovanie. Automatizácia týchto krokov robí výsledky reprodukovateľnými a umožňuje spracovať nové údaje s malou námahou. Maloobchodník môže napríklad každý týždeň znova natrénovať a otestovať model predpovede predaja s najnovšími číslami.
MLflow je open-source platforma na správu celého životného cyklu modelov strojového učenia, ktorú pôvodne v roku 2018 predstavila spoločnosť Databricks. Zaznamenáva experimenty s ich parametrami a metrikami, spravuje verzie modelov v registri a zjednodušuje nasadenie. Novšie verzie podporujú aj sledovanie a vyhodnocovanie aplikácií postavených na jazykových modeloch. Tímy tak vedia dohľadať, ktorý model vznikol s akými dátami a nastaveniami.
TensorFlow je open-source framework na strojové učenie, ktorý vyvinul Google a vydal v roku 2015. Používa sa na vytváranie, trénovanie a nasadzovanie neurónových sietí v aplikáciách, na serveroch alebo na mobilných zariadeniach. Keras poskytuje prístupné rozhranie vyššej úrovne; typické použitia zahŕňajú klasifikáciu obrázkov, predpovedanie a odporúčacie systémy.
PyTorch je open-source framework na strojové učenie a hlboké učenie v programovacom jazyku Python. Pôvodne ho vyvinula spoločnosť Meta (vtedy Facebook) a od roku 2022 ho spravuje PyTorch Foundation pod záštitou Linux Foundation. PyTorch sa široko používa vo výskume aj v praxi, pretože vývojárom umožňuje flexibilne vytvárať modely, trénovať ich na GPU a testovať krok za krokom; vznikli v ňom mnohé známe jazykové a obrazové modely.
