Med boomen av ML-applikationer och AI är det tydligt att utvecklingen av en exakt modell bara är en pusselbit. För att framgångsrikt skapa en Machine Learning-driven produkt måste man skapa MLops-praxis och infrastruktur för att träna, distribuera och hantera ML-modeller i produktionen. Några viktiga ämnen inkluderar: - MLops-verktyg - Modelldrift och övervakning - Sömlös omskolning och modellversionering - Dataversionering samt lagrade artefakter.