Fonctionnalités de MLflow
MLflow comprend quatre composants :
- MLflow Tracking
- Projets MLflow
- Modèles MLflow
- Registre de modèles MLflow
MLflow Tracking
Le suivi de MLflow permet aux scientifiques des données de travailler avec des expériences dans lesquelles ils traitent et analysent des données ou entraînent des modèles Machine Learning. Pour chaque exécution d’une expérience, un scientifique des données peut consigner les valeurs de paramètres, les versions des bibliothèques utilisées, les métriques d’évaluation de modèle et les fichiers de sortie générés ; y compris des images de visualisations de données et de fichiers de modèle. Cette capacité à consigner des détails importants sur les exécutions d’expériences permet d’auditer et de comparer les résultats des exécutions d’entraînement de modèle antérieures.
Projets MLflow
Un projet MLflow est un moyen d’empaqueter du code pour un déploiement cohérent et la reproductibilité des résultats. MLflow prend en charge plusieurs environnements pour les projets, notamment l’utilisation de Conda et Docker pour définir des environnements d’exécution de code Python cohérents.
Modèles MLflow
MLflow offre un format standardisé pour l’empaquetage des modèles pour la distribution. Ce format de modèle standardisé permet à MLflow de fonctionner avec les modèles générés à partir de plusieurs bibliothèques populaires, notamment Scikit-Learn, PyTorch, MLlib et d’autres.
Conseil
Consultez la documentation sur les modèles MLflow pour plus d’informations sur l’ensemble complet des versions de modèle prises en charge.
Registre de modèles MLflow
Le registre de modèles MLflow permet aux scientifiques des données d’inscrire des modèles entraînés. Les modèles MLflow et les projets MLflow utilisent le Registre de modèles MLflow pour permettre aux ingénieurs Machine Learning de déployer et de servir des modèles que les applications clientes peuvent utiliser.