Příručka k MLflow

  • Článek
  • 2 min ke čtení

MLflow je open source platforma pro správu kompletního životního cyklu strojového učení. Má následující primární součásti:

  • Sledování: Umožňuje sledovat experimenty pro záznam a porovnávání parametrů a výsledků.
  • Modely: Umožňuje spravovat a nasazovat modely z nejrůznějších knihoven ML do nejrůznějších platforem pro odvozování a obsluhu modelů.
  • Projekty: Umožňuje zabalit kód ML do opakovaně použitelného, reprodukovatelného tvaru pro sdílení s dalšími odborníky na data nebo přenos do produkčního prostředí.
  • Registr modelů: Umožňuje centralizovat úložiště modelů pro správu přechodů mezi fázemi životního cyklu modelů v rámci celého životního cyklu: z přípravného do produkčního prostředí a s funkcemi pro správu verzí a anotace.
  • Obsluha modelů: Umožňuje hostovat modely MLflow jako koncové body REST.

MLflow podporuje Javu, Python, R a rozhraní REST API.

Azure Databricks poskytuje plně spravovanou a hostovanou verzi MLflow, která je integrovaná s funkcemi podnikového zabezpečení, vysoké dostupnosti a dalšími funkcemi pracovních prostorů Azure Databricks, jako jsou experimenty, správa spuštění a zachytávání revizí poznámkových bloků. MLflow na platformě Azure Databricks nabízí integrované prostředí pro sledování a zabezpečení spuštění modelů trénování strojového učení a spouštění projektů strojového učení.

Data MLflow se šifrují Azure Databricks pomocí klíče spravovaného platformou. Šifrování pomocí Povolit klíče spravované zákazníkem pro spravované služby není podporováno.

První uživatelé by měli začít s rychlým startem, který ukazuje základní rozhraní API pro sledování MLflow. V následujících článcích najdete jednotlivé komponenty MLflow obsahující ukázkové poznámkové bloky a popis, jak jsou tyto komponenty hostovány v rámci Azure Databricks.