本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。

# 结论
<a name="conclusion"></a>

 随着机器学习从一门研究学科过渡到应用领域，我们看到各个行业的机器学习管道开发、部署和运营的年增长率为 25%。机器学习的商业价值是通过日常的机器学习操作和管道实现的，这反过来又推动了机器学习模型和算法的研究和开发。尽管如此，在生产环境中部署机器学习会带来许多挑战，因为它将截然不同的活动和构件交织在一起，例如数据管理、处理、分析、建模、验证和安全。通过与 AWS 客户的多次 AI/ML 互动，我们的数据科学团队观察到，一个关键的挑战是缺乏端到端的工作流，而该流程可提供一套模板，用于优化融合或分离不同的 ML DevOps 活动和构件。在本指南中，我们介绍了 [ML Max 工作流](https://github.com/awslabs/mlmax)来解决这一紧迫问题。ML Max 提供了分步操作指南，并提供分步操作过程。其目标是实现从交互式模型开发阶段到可用于生产的完整、可扩展的机器学习管道配置的快速且低成本的过渡。