Funcionalidades de MLflow
Existen cuatro componentes en MLflow:
- Seguimiento de MLflow
- Proyectos de MLflow
- Modelos de MLflow
- Registro de modelos de MLflow
Seguimiento de MLflow
El Seguimiento de MLflow permite a los científicos de datos trabajar con experimentos en los que procesan y analizan datos o entrenan modelos de Machine Learning. Para cada ejecución de un experimento, un científico de datos puede registrar valores de parámetro, versiones de las bibliotecas usadas, métricas de evaluación de modelos y archivos de salida generados; se incluyen imágenes de visualizaciones de datos y archivos de modelo. Esta capacidad de registrar detalles importantes sobre las ejecuciones de experimentos permite auditar y comparar los resultados de las ejecuciones de entrenamiento del modelo anteriores.
Proyectos de MLflow
Un proyecto de MLflow es una forma de empaquetar código para una implementación coherente y la capacidad de reproducir los resultados. MLflow admite varios entornos para los proyectos, como, por ejemplo, el uso de Conda y Docker para definir entornos de ejecución de código de Python coherentes.
Modelos de MLflow
MLflow ofrece un formato estandarizado para empaquetar modelos para la distribución. Este formato de modelo estandarizado permite que MLflow funcione con modelos generados a partir de varias bibliotecas populares, como Scikit-Learn, PyTorch y MLlib, entre otras.
Sugerencia
Revise la documentación sobre Modelos de MLflow para obtener información sobre el conjunto completo de tipos de modelos admitidos.
Registro de modelos de MLflow
El Registro de modelos de MLflow permite a los científicos de datos registrar modelos entrenados. Los Modelos y los Proyectos de MLflow usan el Registro de modelos de MLflow para permitir que los ingenieros de aprendizaje automático implementen y proporcionen modelos para que las aplicaciones cliente los consuman.