Kubeflow är en plattform med öppen källkod för att köra arbetsflöden för maskininlärning på Kubernetes, från dataförberedelse via träning och hyperparametersökning till modellserving. Projektet initierades ursprungligen av Google och tillhör Cloud Native Computing Foundation, där det nådde statusen ”graduated” i augusti 2026 (läge oktober 2026). Det riktar sig främst till team som tränar egna modeller i stor skala på egen infrastruktur eller i molnet.
En pipeline för maskininlärning är en definierad följd av steg som gör rådata till en driftsättningsbar modell: insamling och rensning av data, förberedelse av variabler, träning, utvärdering, driftsättning och övervakning. Genom att automatisera stegen blir resultaten reproducerbara och nya data kan bearbetas med liten insats. En återförsäljare kan till exempel träna om och testa sin modell för försäljningsprognoser varje vecka med de senaste siffrorna.
MLflow är en plattform med öppen källkod för att hantera hela livscykeln för maskininlärningsmodeller, ursprungligen introducerad av Databricks 2018. Den registrerar experiment med deras parametrar och mätvärden, hanterar modellversioner i ett register och förenklar driftsättning. Nyare versioner stöder även spårning och utvärdering av applikationer som bygger på språkmodeller. Team kan därmed följa vilken modell som skapats med vilka data och inställningar.
TensorFlow är ett ramverk för maskininlärning med öppen källkod, utvecklat av Google och släppt 2015. Det används för att bygga, träna och driftsätta neurala nätverk i applikationer, på servrar eller på mobila enheter. Keras erbjuder ett lättillgängligt högnivågränssnitt; typiska användningsområden är bildklassificering, prognoser och rekommendationssystem.
PyTorch är ett ramverk med öppen källkod för maskininlärning och djupinlärning i programmeringsspråket Python. Det utvecklades ursprungligen hos Meta (då Facebook) och har sedan 2022 förvaltats av PyTorch Foundation under Linux Foundation. PyTorch används flitigt inom forskning och industri eftersom det låter utvecklare bygga modeller flexibelt, träna dem på GPU:er och testa dem steg för steg; många välkända språk- och bildmodeller är byggda med det.
