Capacidades do MLflow
Há quatro componentes para o MLflow:
- Rastreamento de MLflow
- Projetos MLflow
- Modelos MLflow
- Registro do modelo MLflow
Rastreamento de MLflow
O MLflow Tracking permite que cientistas de dados trabalhem com experimentos nos quais processam e analisam dados ou treinam modelos de aprendizado de máquina. Para cada execução em um experimento, um cientista de dados pode registrar valores de parâmetros, 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 experimentos torna possível auditar e comparar os resultados de execuções anteriores de treinamento de modelos.
Projetos MLflow
Um projeto MLflow é uma maneira de empacotar o código para implantação consistente e reprodutibilidade dos resultados. O MLflow suporta vários ambientes para projetos, incluindo o uso de Conda e Docker para definir ambientes de execução de código Python consistentes.
Modelos MLflow
O MLflow oferece um formato padronizado para modelos de embalagem para distribuição. Este formato de modelo padronizado permite que o MLflow trabalhe com modelos gerados a partir de várias bibliotecas populares, incluindo Scikit-Learn, PyTorch, MLlib e outros.
Gorjeta
Consulte a documentação dos Modelos MLflow para obter informações sobre o conjunto completo de tipos de modelos suportados.
Registro do modelo MLflow
O MLflow Model Registry permite que cientistas de dados registrem modelos treinados. Os Modelos MLflow e os Projetos MLflow usam o Registro de Modelo MLflow para permitir que os engenheiros de aprendizado de máquina implantem e sirvam modelos para uso de aplicativos cliente.