ساخت سیستم‌های یادگیری ماشین شبیه به جمع‌آوری دستور پخت‌های مجزا بدون داشتن دیدی جامع نسبت به ترکیب آن‌هاست. زمانی که الگوهای طراحی به‌صورت نقطه‌ای و جزیره‌ای به کار گرفته می‌شوند، تیم‌ها متوجه می‌شوند که راه‌حل‌ها در محیط واقعی به‌خوبی با یکدیگر ترکیب نمی‌شوند که این امر به ساخت خطوط لوله شکننده و معماری غیرقابل نگهداری (Maintainability) منجر می‌شود. این فصل با بررسی نحوه تعامل الگوهای مختلف در مراحل مختلف چرخه عمر یادگیری ماشین، شکاف میان راه‌حل‌های منفرد و طراحی سیستم یکپارچه را پر می‌کند. بدون درک این ارتباطات، مهندسان با خطر ساخت اجزای ایزوله مواجه می‌شوند که هنگام تغییر نیازهای تجاری مقیاس‌پذیر (Scalability) نیستند. پایه و اساس این فصل، مرجع جامعی از الگوهاست که نشان می‌دهد چگونه تعامل الگوها باعث هم‌افزایی می‌شود. این الگوها مانند سازهای یک ارکستر هستند؛ نواختن یک ساز به‌تنهایی جذاب است، اما هماهنگی آن‌ها یک اثر بزرگ خلق می‌کند. فراتر از اجزای منفرد، معماری سیستم باید با چرخه عمر یادگیری ماشین شامل کشف، توسعه و دیپلوی همسو شود. ارزیابی آمادگی هوش مصنوعی تضمین می‌کند که سازمان پیش از پیاده‌سازی خطوط لوله پیچیده، زیرساخت و بلوغ داده لازم را دارد. متأسفانه بدون این آمادگی، تیم‌های مهندسی غالباً فرآیندهای پر از خطا را اتوماتیک می‌کنند. حوزه‌های مختلف به الگوهای معماری متفاوتی نیاز دارند، به همین دلیل الگوهای متداول بر اساس نوع داده دسته‌بندی می‌شوند. در پردازش زبان طبیعی، معماری‌ها باید خطوط لوله نشانه‌گذاری و تعبیه‌های متنی را پوشش دهند. بینایی ماشین نیازمند استخراج ویژگی‌های مکانی است. تحلیل‌های پیش‌بینی‌کننده به پایش مداوم ویژگی‌ها برای مقابله با کهنگی مدل وابسته‌اند و سیستم‌های توصیه‌گر نیازمند بازیابی با تاخیر کم هستند. در نهایت، تشخیص تقلب و ناهماهنگی نیازمند مدیریت داده‌های نامتوازن است. بده‌بستان (Trade-off) اصلی آشکار شده در این فصل، میان یکپارچگی معماری و انعطاف‌پذیری (Flexibility) دامنه است. اصرار بر یک ساختار واحد برای همه مسائل، عملکرد را کاهش می‌دهد، در حالی که معماری سفارشی برای هر مسئله، قابلیت نگهداری (Maintainability) را نابود می‌کند. [ ] نقشه‌برداری اجزای موجود یادگیری ماشین با مرجع الگوهای طراحی [ ] ارزیابی آمادگی سازمان در مراحل کشف، توسعه و دیپلوی [ ] طراحی تعاملات خطوط لوله برای حوزه‌هایی مانند بینایی ماشین و پردازش زبان [ ] پیاده‌سازی استراتژی‌های پایش برای تشخیص انحراف داده و جلوگیری از کهنگی مدل [ ] انتخاب الگوهای مناسب برای سیستم‌های توصیه‌گر و تشخیص ناهماهنگی بر اساس ویژگی‌های داده