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.
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.
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.
Amazon SageMaker je storitev v oblaku Amazon Web Services (AWS) za izdelavo, učenje in uvajanje modelov strojnega učenja. Konec leta 2024 je bila prvotna storitev preimenovana v „Amazon SageMaker AI“; od takrat „Amazon SageMaker“ označuje širšo platformo za podatke, analitiko in UI z vmesnikom SageMaker Unified Studio (stanje oktober 2026). Uporabljajo jo predvsem ekipe podatkovne znanosti, ki modele poganjajo na infrastrukturi AWS.
Odmik modela je postopno slabšanje napovedne kakovosti modela med delovanjem, ker se resničnost spreminja v primerjavi s podatki za učenje. Ločimo spremembe vhodnih podatkov (odmik podatkov) in spremembe razmerja med vhodi in rezultati (odmik konceptov). Primer: model za zaznavanje goljufij spregleda nove goljufive sheme. Rešitev sta stalno spremljanje metrik in redno ponovno učenje.
