結論

隨著機器學習從研究領域轉移到應用領域，我們在各種產業的 ML 管道開發、部署和操作方面每年成長 25%。ML 的商業價值是透過day-to-day操作和管道實現，進而推動 ML 模型和演算法的研究和開發。不過，在生產環境中部署 ML 會帶來許多挑戰，因為它會介入許多不同的活動和成品，例如資料管理、處理、分析、建模、驗證和安全性。透過 AWS 與客戶進行許多 AI/ML 互動，我們的資料科學團隊觀察到，關鍵挑戰是缺少end-to-end工作流程，可提供一組範本，以最佳方式融合或分離不同的 ML DevOps 活動和成品。在本指南中，我們介紹了 ML Max 工作流程，以解決這項緊迫問題。ML Max step-by-step指導方針和一組程式設計範本。目標是實現從互動式模型開發階段快速且符合成本效益的轉換，到準備好生產的完整、可擴展 ML 管道組態。