выполнять» и «как выполнять» с помощью конфигурационных объектов на основе Pydantic, которые проверяются при создании, чтобы избежать ненужных вычислений. Он строит ориентированный ациклический граф (DAG, directed acyclic graph) на основе объявленных зависимостей этапов и выполняет их в топологическом порядке. Общий контекст Spark и MLflow позволяет этапам работать без изменений в локальной среде, Jupyter или в продакшене. Проверка схемы выявляет несоответствия за секунды, а полные конфигурации запусков логируются как артефакты MLflow для воспроизводимости. Фреймворк интегрируется с ML-платформой Yelp, включая хранилища признаков, общие нейронные сети, библиотеки градиентного бустинга и MLflow. Yelp планирует добавить явные этапы для оценки моделей, их сравнения и объяснения, а также отслеживание происхождения. Подход на основе DAG отделяет логику обучения от среды выполнения кластера, поддерживая локальные запуски и модульные тесты. Yelp признает необходимость первоначальных вложений в схемы и миграцию, но считает, что это позволяет избежать повторяющихся затрат по командам.