Какой опыт работы с инструментами отслеживания жизненного цикла моделей

Имею опыт работы с MLflow и DVC для управления жизненным циклом моделей. В MLflow удобно логировать параметры, метрики и артефакты, а также развертывать модели через MLflow Serving. Пример:

import mlflow

with mlflow.start_run():
    mlflow.log_param("alpha", 0.5)
    model = train_model(data)
    metrics = evaluate_model(model)
    mlflow.log_metrics(metrics)
    mlflow.sklearn.log_model(model, "model")

С DVC работал для версионирования данных и моделей, интегрируя с Git. Также знаком с TensorBoard для мониторинга обучения нейросетей. Для продакшн-мониторинга использовал Prometheus+Grafana.