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.
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.
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.
Amazon SageMaker je cloudová služba Amazon Web Services (AWS) na vytváranie, trénovanie a nasadzovanie modelov strojového učenia. Koncom roka 2024 bola pôvodná služba premenovaná na „Amazon SageMaker AI“; odvtedy „Amazon SageMaker“ označuje širšiu platformu pre údaje, analytiku a AI s rozhraním SageMaker Unified Studio (stav k októbru 2026). Používajú ju najmä tímy data science, ktoré prevádzkujú modely na infraštruktúre AWS.
Model drift je postupný pokles kvality predikcií modelu počas prevádzky, pretože sa realita oproti trénovacím dátam mení. Rozlišujeme zmeny vo vstupných dátach (data drift) a zmeny vzťahu medzi vstupmi a výsledkami (concept drift). Príklad: model na odhaľovanie podvodov prehliadne nové podvodné schémy. Nápravou je priebežné monitorovanie metrík a pravidelné pretrénovanie.
