Makine öğrenmesi hatlarında en sinsi arızalar kod hatalarından değil veri değişikliklerinden doğar: bir kategorik alana yeni bir değer eklenir, bir sayısal alanın birimi değişir ya da eksik değer oranı sessizce yükselir. Model çalışmaya devam eder, hata fırlatmaz, yalnızca tahminleri kötüleşir. Eğitim verisi ile sunum verisi arasındaki bu farkların otomatik olarak yakalanması için hattın içinde beklenen şemayı ve dağılımı bilen bir doğrulama katmanı bulunmalıdır. Üç modüllük program, TensorFlow Data Validation kullanılarak uygulamalı ilerler. Katılımcılar veri kümesinden şema çıkarır, beklenen aralıkları ve kategorik sözlükleri düzenler, eğitim ile sunum verisi arasındaki çarpıklığı ve dilimler arası dağılım farklarını mesafe ölçütleriyle inceler. Son modülde doğrulama adımı eğitim iş akışına yerleştirilir, başarısızlık durumunda akışın durdurulması ve raporların saklanması kurgulanır. Çıktı, katılımcının kendi hattına ekleyebileceği bir doğrulama yapılandırmasıdır.