Kubeflow je odprtokodna platforma za izvajanje delovnih tokov strojnega učenja na Kubernetesu, od priprave podatkov prek učenja in iskanja hiperparametrov do postrežbe modelov. Projekt, ki ga je prvotno sprožil Google, spada pod Cloud Native Computing Foundation, kjer je avgusta 2026 dosegel status „graduated“ (stanje oktober 2026). Namenjen je predvsem ekipam, ki v velikem obsegu učijo lastne modele na lastni ali oblačni infrastrukturi.
Agenti, poteki dela in predloge v enem delovnem prostoru – brezplačna 24-urna predstavitev.
Začni predstavitevCevovod strojnega učenja (machine learning pipeline) je določeno zaporedje korakov, ki surove podatke pretvori v model, pripravljen za uvedbo: zbiranje in čiščenje podatkov, priprava značilnosti, učenje, vrednotenje, uvedba in spremljanje. Avtomatizacija teh korakov omogoča ponovljive rezultate in obdelavo novih podatkov z majhnim naporom. Trgovec lahko na primer model za napovedovanje prodaje vsak teden znova nauči in preizkusi z najnovejšimi podatki.
MLflow je odprtokodna platforma za upravljanje celotnega življenjskega cikla modelov strojnega učenja, ki jo je leta 2018 izvorno predstavilo podjetje Databricks. Beleži poskuse z njihovimi parametri in metrikami, v registru upravlja različice modelov ter poenostavlja uvajanje. Novejše različice podpirajo tudi sledenje in vrednotenje aplikacij, zgrajenih na jezikovnih modelih. Tako ekipe lahko spremljajo, kateri model je nastal s katerimi podatki in nastavitvami.
TensorFlow je odprtokodno ogrodje za strojno učenje, ki ga je razvil Google in izdal leta 2015. Uporablja se za gradnjo, učenje in uvajanje nevronskih mrež v aplikacijah, na strežnikih ali mobilnih napravah. Keras nudi dostopen vmesnik na visoki ravni; tipične uporabe so razvrščanje slik, napovedovanje in priporočilni sistemi.
PyTorch je odprtokodno ogrodje za strojno in poglobljeno učenje v programskem jeziku Python. Izvorno ga je razvil Meta (takrat Facebook), od leta 2022 pa ga upravlja PyTorch Foundation pod okriljem Linux Foundation. PyTorch se veliko uporablja v raziskavah in industriji, ker razvijalcem omogoča prilagodljivo gradnjo modelov, njihovo učenje na grafičnih procesorjih in postopno preizkušanje; z njim je zgrajenih veliko znanih jezikovnih in slikovnih modelov.
