MLflow の機能

  • 3 分

MLflow には、次の 4 つのコンポーネントがあります。

  • MLflow Tracking
  • MLflow Projects
  • MLflow Models
  • MLflow Model Registry

MLflow Tracking

MLflow Tracking を使って、データ科学者は、データを処理および分析したり、機械学習モデルをトレーニングしたりする実験を操作できます。 実験の実行ごとに、データ科学者は、パラメーターの値、使われたライブラリのバージョン、モデル評価メトリック、生成された出力ファイル、データの視覚化の画像とモデル ファイルをログに記録できます。 実験実行に関する重要な詳細をログするこの機能を使うと、以前のモデル トレーニング実行の結果を監査および比較できます。

MLflow Projects

MLflow プロジェクトは、一貫性のあるデプロイと結果の再現のためにコードをパッケージ化する方法です。 MLflow では、一貫した Python コード実行環境を定義するための Conda と Docker の使用など、プロジェクト用に複数の環境がサポートされています。

MLflow Models

MLflow では、配布用にモデルをパッケージ化するための標準形式が用意されています。 この標準化されたモデル形式を使うと、いくつかの一般的なライブラリ (Scikit-Learn、PyTorch、MLlib など) から生成されたモデルを MLflow で使用できます。

ヒント

サポートされるモデル フレーバーの完全なセットについては、MLflow Models のドキュメントをご確認ください。

MLflow Model Registry

MLflow Model Registry を使うと、データ科学者は、トレーニング済みのモデルを登録できます。 機械学習エンジニアは、MLflow Model Registry を使う MLflow モデルと MLflow プロジェクトを利用して、クライアント アプリケーションで使われるモデルをデプロイして提供できます。