Ticketsysteme, Versionskontrolle, automatische Builds und viele weitere Tools gehören fest zu den Best Practices bei der klassischen Softwareentwicklung. Kommt bei einem Projekt Machine Learning ins Spiel, kommen neue Anforderungen hinzu, die von den bisherigen Tools und Arbeitsweisen nur teilweise abgedeckt werden können. Um den Machine Learning Lifecycle besser unter Kontrolle zu bekommen, entstehen zurzeit viele neue Tools, die versprechen, die besonderen Arbeitsabläufe eines ML-Projekts zu unterstützen. Eines davon ist MLflow, das plattform- und bibliotheksunabhängig Lernergebnisse, gelernte Modelle und Projekt-Set-ups verwaltet. In diesem Vortrag werden die besonderen Herausforderungen von ML-Projekten gegenüber klassischer Softwareentwicklung erläutert und es wird gezeigt, wie man MLflow nutzen kann, um den ML-Workflow besser unter Kontrolle zu bekommen. Dabei wird der Fokus auf einen Einsatz von MLflow in einer JVM-Umgebung und JVM-Machine-Learning-Bibliotheken gelegt.