El proceso de preparación implica la elaboración de perfiles para comprender los diferentes problemas de calidad de los datos que tenemos, por ejemplo, la eliminación de atributos innecesarios, datos innecesarios, reduplicación, resolución de problemas de «integridad» de los datos, etc.

Esta parte consiste en crear modelos estadísticos o de aprendizaje automático para la predicción o el análisis prescriptivo. La capa de modelado tiene múltiples pasos, normalmente de naturaleza iterativa, para construir un modelo preciso (elegir un algoritmo, elegir los conjuntos de datos de entrenamiento y de prueba, y ajustar el modelo para que sea preciso y por último realizar las pruebas y validación del mismo.

La evaluación de modelos es el proceso de utilizar diferentes métricas de evaluación para comprender el rendimiento de un modelo de aprendizaje automático, así como sus puntos fuertes y débiles. La evaluación de modelos es importante para valorar la eficacia de un modelo durante las fases iniciales de investigación, y también desempeña un papel en la supervisión de modelos.

Las soluciones de implantación en producción agrupan todo el flujo de trabajo que tienen que ver con la supervisión y el control de versiones garantizando que el despliegue se realiza con las políticas de validación de datos y modelos adecuados.

Los modelos desplegados se versionan, lo que permite a los usuarios desplegar nuevas versiones, compararlas y revertirlas en cualquier momento.

Con estas herramientas se puede desplegar una API sobre la infraestructura on-premise o en la nube mediante Kubernetes para realizar despliegues elásticos y reproducibles