Met de opkomst van ML-toepassingen en AI is het duidelijk dat het ontwikkelen van een nauwkeurig model slechts een stukje van de puzzel is. Om met succes een Machine Learning-gedreven product te creëren, moet men MLops-praktijken en -infrastructuur creëren om ML-modellen in productie te trainen, in te zetten en te beheren. Enkele belangrijke onderwerpen zijn onder meer: - MLops-tools - Modeldrift en -monitoring - Naadloze hertraining en modelversiebeheer - Gegevensversiebeheer en opgeslagen artefacten.