Heimdall organiza el aprendizaje automático en torno a dos puntos de partida distintos. El primero es la ruta de datos clásica: traes archivos CSV o conectas una base de datos, los ingieres y versionas en las capas bronce, plata y oro de Lake, exploras y perfilas tablas con cuadernos de Python en Lab y publicas tablas oro con las que entrenan los productos ML y Forecast. ML cubre clasificación y regresión, mientras que Forecast genera predicciones de series temporales para planificar demanda y capacidad con explicaciones que puedes revisar. Todos los modelos terminan como un endpoint REST monitorizado con medición de uso y comprobación de estado.
La segunda ruta es para equipos que aún no tienen datos de entrenamiento. Loop es un producto de aprendizaje en línea cuyos modelos se adaptan continuamente a la retroalimentación en vivo en lugar de a un conjunto fijo, lo que encaja con problemas de recomendación y ranking. Resolve convierte texto no estructurado en una categoría o una puntuación usando respuestas que defines tú, sin historial etiquetado, lo que resulta útil para enrutar correos entrantes o puntuar urgencia. Ambas rutas acaban en la misma superficie de API desplegable y monitorizada.
Como la plataforma reúne catalogación, cuadernos, modelado y despliegue, encaja con equipos de datos pequeños que quieren aprendizaje automático en producción sin ensamblar proveedores separados de almacén, cuadernos y MLOps. El acceso empieza con una cuenta gratuita y un espacio de trabajo autoservicio; los despliegues mayores se gestionan hablando con el equipo, por lo que no hay precios publicados públicamente.
