フェーズIII：データ準備において、CPMAIは、データパイプラインは現在のプロジェクト固有のモデリングパターンとモデル要件に対応するように設計されなければならないと規定しています。2つのプロジェクトで類似したデータ取り込みまたはクリーニング手順を使用する場合でも、パイプラインは新しいモデルの正確な特徴変換、ラベルマッピング、およびデータスキーマに合わせて調整する必要があります。したがって、パイプラインはパターンとモデルに固有のものであり、以前のプロジェクトのパイプラインを適応させずにそのまま再利用すると、下流のモデルトレーニングや推論の要件が満たされなくなる可能性が高くなります。

CPMAIは、データパイプラインの準備と管理が基礎となることを強調しています。フェーズIII：データ準備では、チームは「トレーニング用および推論用のデータを収集、取り込み、準備するための再利用可能なデータパイプラインを作成する」必要があります。これらのパイプラインが存在し、維持されることを保証するのは、データエンジニアリングの専門家の責任です。
データサイエンティストはこれらのパイプラインをモデリングに活用するが、ビッグデータ環境を支える上で最も重要な人材は、専任のデータエンジニアリング担当者である。

継続的なシステム監視（C）：フェーズVIの「監視および保守計画」では、チームが定義する必要があります。
「この反復では、モデルが運用において期待される結果を継続的に提供できるようにするために、どのような継続的な監視および管理のアプローチとツールがモデルに使用されますか？」
データソースの識別（D）：フェーズII：データの理解では、チームは「データソースの形式」や「トレーニングデータの識別」を含めて「データを記述」し、モデルの入力がどこから来るのかを可視化する必要があります。これはガバナンスとトラブルシューティングに不可欠です。
人間の責任連鎖（F）： 「モデルガバナンスフレームワーク」タスクでは、プロジェクトチームに「ガバナンスチームの決定」を文書化するよう指示し、モデルの「所有者」としてその使用、フィードバックの収集、懸念事項への対応に責任を負うメンバーを特定し、明確な責任構造を確立します。
主要業績評価指標 (KPI) (G): ドメイン V の「KPI 測定」タスクでは、チームが「モデルのパフォーマンスをビジネスの主要業績評価指標に合わせる」こと、品質保証の一環として継続的な KPI 評価を実施することが義務付けられており、ガバナンス組織がモデルの健全性とビジネスへの影響を評価するための指標を提供します。
オプションA、B、E、およびHは、CPMAI v7で定義されている中核的な継続的ガバナンス活動の範囲外です。展開されたモデルの継続的な監視、明確なデータリネージ、明確な人的責任、およびKPI追跡は、堅牢なAIガバナンスの柱となります。

強化学習（RL）は、エージェントが環境と相互作用し、試行錯誤と報酬信号を通して最適な行動を学習する、逐次的な意思決定タスクのために特別に設計されています。
倉庫の床面におけるロボットの経路を最適化すること、つまりどの動作がより高いスループットにつながるかを判断することは、強化学習の典型的なユースケースである。

ナイーブベイズ分類器は、ベイズの定理に基づく単純な確率分類器のファミリーであり、
「特徴の独立性」という「素朴な」仮定により、トレーニングが速く、解釈が容易になるため、スパム検出などのバイナリタスクに取り組むAI初心者チームに最適です。