Bir makine öğrenmesi sonucunun tekrar üretilebilmesi için kodun aynı olması yetmez; eğitimde kullanılan veri kümesinin, ön işleme adımlarının ve üretilen model artefaktının da aynı sürümü işaret etmesi gerekir. Büyük dosyaları doğrudan Git deposuna koymak mümkün olmadığı için pek çok ekip veriyi paylaşılan klasörlerde tarih ekleriyle saklar ve zamanla hangi dosyanın hangi sonuca ait olduğunu kaybeder. DVC bu boşluğu Git ile nesne depolamayı birbirine bağlayarak kapatır. Atölye dört modül boyunca versiyonlamayı temelden pipeline otomasyonuna taşır. Katılımcılar DVC deposunu kurar, uzak depolamayı yapılandırır, veri kümelerini sürümler ve dvc.yaml ile çok adımlı bir pipeline tanımlar. Önbellek mekanizmasının yalnızca değişen adımı yeniden çalıştırması uygulamalı olarak gözlemlenir ve deney karşılaştırma komutları kullanılır. Katılımcı atölyeden sürümlenmiş, tekrar üretilebilir çalışan bir proje deposuyla ayrılır.