BigML je platforma za strojno učenje istoimenskega podjetja, ustanovljenega leta 2011 s sedežem v Corvallisu v Oregonu (ZDA). Uporabniki lahko prek spletnega vmesnika ali API brez veliko programiranja gradijo modele, kot so odločitvena drevesa, ansambli, gručenje ali zaznavanje anomalij. Poudarek je na razložljivih modelih in avtomatizirljivih delovnih postopkih. Ponuja se kot storitev v oblaku in za delovanje v lastnem podatkovnem središču (stanje oktober 2026).
Agenti, poteki dela in predloge v enem delovnem prostoru – brezplačna 24-urna predstavitev.
Začni predstavitevDataRobot je ameriško programsko podjetje, katerega platforma organizacijam pomaga pri izdelavi, upravljanju in nadzoru aplikacij UI. Postal je znan po samodejnem strojnem učenju (AutoML), ki samodejno uri in primerja številne različice modelov – na primer za napoved odhoda strank ali povpraševanja. Danes se podjetje osredotoča tudi na upravljanje in vodenje agentov UI (stanje oktober 2026).
KNIME je programska oprema za podatkovno analitiko, v kateri se poteki dela sestavljajo vizualno iz gradnikov („vozlišč“) namesto programiranja. Odprtokodna platforma KNIME Analytics Platform zajema uvoz podatkov, čiščenje, analizo, strojno učenje in poročanje, komercialne ponudbe ponudnika pa dodajajo sodelovanje in delovanje znotraj organizacij. Tipičen primer je potek dela, ki združi mesečne podatke o prodaji iz več datotek Excel, jih očisti in pripravi napoved.
Brez kode (no-code) označuje orodja, s katerimi ljudje gradijo aplikacije, avtomatizacije ali spletna mesta prek grafičnih vmesnikov, ne da bi pisali programsko kodo. Poslovne ekipe lahko procese same uvedejo in preizkusijo, namesto da bi čakale na razvoj v IT. Omejitve se pokažejo pri zelo specializiranih zahtevah, velikih količinah podatkov ali globokih integracijah. Primer: prodajna ekipa z vlečenjem in spuščanjem zgradi potek dela, ki razvršča in povzema nova povpraševanja.
Strojno učenje je veja umetne inteligence, v kateri računalniki iz podatkov izpeljejo vzorce, namesto da bi bilo vsako pravilo izrecno programirano. Glede na nalogo se modeli učijo iz označenih primerov (nadzorovano), iz neoznačenih podatkov (nenadzorovano) ali prek nagrad (spodbujevalno). Aplikacije segajo od filtrov neželene pošte in napovedi povpraševanja do priporočil izdelkov. Kakovost je močno odvisna od količine in kakovosti učnih podatkov.
