Cevovod 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.
Agenti, poteki dela in predloge v enem delovnem prostoru – brezplačna 24-urna predstavitev.
Začni predstavitevČiščenje podatkov je odkrivanje in popravljanje napačnih, podvojenih ali neskladnih vnosov v podatkovnih zbirkah. Tipični koraki so poenotenje zapisov in oblik datumov, odstranjevanje odvečnih presledkov in združevanje podvojenih vnosov, kot sta „Novak d.o.o.“ in „Novak, družba z omejeno odgovornostjo“. Čisti podatki so pogoj za zanesljive analize, pošiljanje in aplikacije UI.
Inženiring značilnosti pomeni izbiro, preoblikovanje in ustvarjanje lastnosti (značilnosti) iz surovih podatkov, da učni algoritem lažje zazna vzorce. Izluščanje značilnosti iz kompleksnih podatkov, kot so besedila, slike ali signali, izpelje zgoščene, pomenljive vrednosti. Primer: posamezni zapisi nakupov se pretvorijo v značilnosti, kot sta „dni od zadnjega nakupa“ ali „povprečna vrednost naročila“, kar lahko opazno izboljša napoved odhoda strank.
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.
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.
