metaflow.org

建模：使用任何 Python 庫進行模型和業務邏輯。Metaflow 有助於在本地和雲端管理庫。

部署：使用單一命令將工作流程部署到生產環境,並與周圍系統無縫集成。

版本控制：Metaflow 自動跟踪和存儲流程內的變量,以便於實驗跟踪和調試。

協調：使用純 Python 創建強大的工作流程。在本地開發和調試,無需更改即可部署到生產環境。

計算：利用雲端執行大規模函數。根據需要使用 GPU、多核心和大量內存。

數據：從數據倉庫訪問數據。Metaflow 在步驟之間傳遞數據,並對一切進行版本控制。

使用 Metaflow 開發：使用筆記本探索,使用 Metaflow 開發,並在本地進行測試和調試。結果會自動存儲和跟踪,以便於分析。

擴展到雲端：超越筆記本或單個筆記本的局限性。輕鬆擴展到雲端,利用 GPU、多核心和多個實例並行處理。Metaflow 組織工作,以便於協作。

自信地部署到生產環境：無需更改任何代碼即可單擊部署實驗到生產環境。使工作流程自動響應數據更新和其他事件。

帶來您自己的雲端：輕鬆在筆記本電腦上開始。準備好擴展時,在您的雲端帳戶或內部 Kubernetes 集群上部署 Metaflow 堆棧。Metaflow 與您現有的基礎設施、安全性和數據治理策略無縫集成。

在 Netflix 經受考驗：Metaflow 最初是在 Netflix 開發的,以滿足開發人員和數據科學家在要求嚴格的實際 ML、AI 和數據項目中的需求。

實時動態卡片：使用實時更新的卡片構建可觀察的 ML/AI 系統。

包括任何 PyPI 包：在 Metaflow 步驟中安裝來自 PyPI 和 Conda 的依賴項。

安全訪問密鑰：使用新的 @secrets 裝飾器安全地連接到外部服務。

使用 Metaflow 構建反應式生產系統：Metaflow 2.9 允許您根據實時事件觸發工作流程。

使用 Metaflow 快速加載和處理表格數據：Apache Arrow 和 Metaflow.S3 使數據處理變得更加容易。

使用 Metaflow 訓練大型語言模型：了解如何將 Metaflow 用於要求嚴格的 GPU 任務。

Metaflow 支持 Apache Airflow：使用 Metaflow 開發,部署在您現有的 Apache Airflow 服務器上。

Metaflow 在 Google Cloud 上：在 GCP 和所有其他主要雲端上部署和運行 Metaflow。

Metaflow 在 Azure 上：在 Microsoft Azure 上部署和運行 Metaflow。