Funcionalidades do MLflow
Há quatro componentes para o MLflow:
- MLflow Tracking
- MLflow Projects
- MLflow Models
- MLflow Model Registry
MLflow Tracking
O Acompanhamento do MLflow permite que os cientistas de dados trabalhem com experimentos nos quais processam e analisam dados ou treinam modelos de aprendizado de máquina. Para cada execução em experimento, um cientista de dados pode registrar valores de parâmetro, versões de bibliotecas usadas, métricas de avaliação de modelo e arquivos de saída gerados; incluindo imagens de visualizações de dados e arquivos de modelo. Essa capacidade de registrar detalhes importantes sobre execuções de experimento possibilita auditar e comparar os resultados de execuções de treinamento de modelo anteriores.
MLflow Projects
Um projeto do MLflow é uma forma de empacotar o código de maneira a permitir uma implantação consistente e a capacidade de reproduzir os resultados. O MLflow dá suporte a vários ambientes para projetos, incluindo o uso do Conda e do Docker para definir ambientes de execução de código Python consistentes.
MLflow Models
O MLflow oferece um formato padronizado para modelos de empacotamento para distribuição. Esse formato de modelo padronizado permite que o MLflow funcione com modelos gerados de várias bibliotecas populares, incluindo Scikit-Learn, PyTorch, MLlib e outros.
Dica
Confira a documentação do MLflow Models para obter informações sobre o conjunto completo de variantes de modelos com suporte.
MLflow Model Registry
O MLflow Model Registry permite que cientistas de dados registrem os modelos treinados. Os Modelos do MLflow e os Projetos do MLflow usam o Registro de Modelo do MLflow para permitir que os engenheiros de aprendizado de máquina implantem e atendam modelos para que os aplicativos cliente consumam.