Netflix发布内部专为数据科学家设计，以人为本的数据科学应用开发框架Metaflow，除了可让用户灵活地进行模型开发之外，也与AWS服务良好集成，可快速访问在S3上的数据，而数据科学家除了可自行开发算法之外，也能结合使用AWS上的机器学习服务。
Metaflow框架已经在Netflix内部应用两年，被拿来开发了数百个数据科学项目，案例包括应用于自然语言处理以及操作搜索等。
Metaflow来自机器学习基础设施团队，对内部数据科学家进行调查的结果。他们发现过去所提供的工具，已经足够让数据科学家创建出各种应用，但比起底层的架构，数据科学家更在意建模方法的自由度，包括模型的运行、特征工程以及模型的开发，在许多情况下，数据科学家希望可以在生产中操作模型，以快速地进行调试或是迭代。
机器学习基础设施团队归纳数据科学家的需求，开发语言Python是他们的基本配备，是数据科学的通用语言，而且他们也希望以Python来表达逻辑想法，像在Jupyter Notebook编写程序代码的方式，另外，数据科学家也不在意对象的阶层、封装问题，或是与目标无关的API工作。
为此，机器学习基础设施团队开发了Metaflow，并将Metaflow设计成简单的Python函数库，数据科学家可以将工作流程表达为有向无环图（Directed Acyclic Graph，DAG）。（下图）机器学习开发流程的范例，该流程会训练两个版本的模型，并选用得分最高者。
Netflix提到，Metaflow充满以人为本的细节，虽然Apache Airflow或Luigi等工具，也可以执行由任意Python程序代码所构成的DAG，但是在Metaflow中，数据和模型是以普通的Python实例变量存储，而且即便是在分布式运算平台上执行也没问题。另外，在其他框架，将对象加载以及存储交由用户控制，也就是说，用户需要决定保留与舍弃的内容，Metaflow则消除了这些决定的负担。
而Metaflow本身就为云计算设计，能够弹性的使用云计算运算以及存储资源，由于Netflix长期为AWS的大用户，因此Metaflow与AWS服务良好集成，包括可为Amazon S3中的所有程序代码和数据自动产生快照，提供版本控制和实验关注的解决方案。
Metaflow还捆绑了一个高性能S3客户端，可快速地将数据加载到数据科学工作流中，快速进行开发迭代。而且除了数据科学家自己编写的功能之外，也可以使用AWS机器学习服务Sagemaker，以取用各种模型的高性能实例，或是应用分布式训练。
Metaflow良好地支持本地端开发，让数据科学家像是撰写Python脚本一样，快速地在本地端计算机开发并进行测试。Netflix提到，通常最终数据科学工作流程开发结果，最终会写入到表格中，由其他仪表板取用，部分时候将最终模型部署成微服务，以进行即时的预测，甚至也会把该数据科学工作流程链结其他流程，成为大流程的一部分，而Metaflow可支持各式的生产部署。