O Heimdall organiza o aprendizado de máquina em torno de dois pontos de partida distintos. O primeiro é o caminho de dados clássico: você traz arquivos CSV ou conecta um banco de dados, faz a ingestão e o versionamento nas camadas bronze, prata e ouro do Lake, explora e perfila tabelas com notebooks Python no Lab e publica tabelas ouro com as quais os produtos ML e Forecast treinam. O ML cobre classificação e regressão, enquanto o Forecast gera previsões de séries temporais para planejamento de demanda e capacidade, com explicações que você pode inspecionar. Todo modelo termina como um endpoint REST monitorado, com medição de uso e verificação de saúde.
O segundo caminho é para equipes que ainda não têm dados de treinamento. Loop é um produto de aprendizado online cujos modelos se adaptam continuamente a feedback ao vivo, e não a um conjunto fixo, o que serve para problemas de recomendação e ranking. Resolve converte texto não estruturado em uma categoria ou pontuação usando respostas que você define, sem histórico rotulado, o que é útil para rotear e-mails recebidos ou classificar urgência. Ambos os caminhos terminam na mesma superfície de API implantável e monitorada.
Como a plataforma reúne catalogação, notebooks, modelagem e implantação, ela serve equipes pequenas de dados que querem aprendizado de máquina em produção sem montar fornecedores separados de armazém, notebooks e MLOps. O acesso começa com uma conta gratuita e um espaço de trabalho autosserviço; implantações maiores são tratadas em conversa com a equipe, por isso não há preços publicados publicamente.
