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.
Datarensning innebär att felaktiga, duplicerade eller inkonsekventa poster i datamängder upptäcks och rättas. Typiska steg är att enhetliggöra stavningar och datumformat, ta bort överflödiga mellanslag och slå ihop dubbletter som ”Svensson AB” och ”Svensson Aktiebolag”. Rena data är en förutsättning för tillförlitliga analyser, utskick och AI-applikationer.
Feature engineering innebär att välja ut, omvandla och skapa attribut (features) från rådata så att en inlärningsalgoritm lättare kan upptäcka mönster. Feature-extraktion härleder kompakta, meningsfulla värden ur komplexa data som text, bilder eller signaler. Exempel: enskilda inköpsposter görs om till features som ”dagar sedan senaste köp” eller ”genomsnittligt ordervärde”, vilket märkbart kan förbättra en prognos över kundbortfall.
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.
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.
