Přidání prostředku experimentu MLflow do aplikace Databricks

Přidejte experimenty MLflow jako prostředky Databricks Apps, které umožňují sledování experimentů strojového učení v rámci vašich aplikací. Experimenty MLflow poskytují strukturovaný způsob uspořádání a protokolování trénovacích běhů, sledování parametrů, metrik a artefaktů v průběhu životního cyklu vývoje modelu.

Když přidáte experiment MLflow jako prostředek, vaše aplikace může:

• Protokolování tréninkových běhů s parametry a metrikami
• Načtení dat experimentu a porovnání výkonu modelu
• Přístup k metadatům experimentu a historii spuštění
• Správa životního cyklu ML prostřednictvím kódu programu

Přidejte prostředek experimentu MLflow

Než přidáte experiment MLflow jako prostředek, projděte si požadavky na prostředek aplikace.

1. Při vytváření nebo úpravě aplikace přejděte ke kroku Konfigurace .
2. V části Prostředky aplikace klikněte na + Přidat prostředek.
3. Jako typ prostředku vyberte experiment MLflow.
4. V seznamu dostupných experimentů v pracovním prostoru vyberte experiment MLflow.
5. Vyberte odpovídající úroveň oprávnění pro vaši aplikaci:
   • Může číst: Udělí aplikaci oprávnění k zobrazení metadat experimentu, spuštění, parametrů a metrik. Používá se pro aplikace, které zobrazují výsledky experimentu.
   • Může upravit: Udělí aplikaci oprávnění ke změně nastavení experimentu a metadat.
   • Může spravovat: Udělí aplikaci úplný přístup správce k experimentu.
6. (Volitelné) Zadejte vlastní klíč prostředku, což je způsob, jakým odkazujete na experiment v konfiguraci aplikace. Výchozí klíč je experiment.

Když přidáte prostředek experimentu MLflow:

• Azure Databricks uděluje služebnímu principálu vaší aplikace zadaná oprávnění k vybranému experimentu.
• Aplikace může protokolovat spuštění trénování a přistupovat k datům experimentu prostřednictvím rozhraní API pro sledování MLflow.
• Přístup je vymezen pouze na vybraný experiment. Aplikace nemá přístup k jiným experimentům, pokud je nepřidáte jako samostatné prostředky.

Proměnné prostředí

Když nasadíte aplikaci s prostředkem experimentu MLflow, Azure Databricks zveřejní ID experimentu prostřednictvím proměnných prostředí, na které můžete odkazovat pomocí valueFrom pole v app.yaml konfiguraci.

Příklad konfigurace:

env:
  - name: MLFLOW_EXPERIMENT_ID
    valueFrom: experiment # Use your custom resource key if different

Použití ID experimentu ve vaší aplikaci:

import os
import mlflow

# Access the experiment using the injected environment variable
experiment_id = os.getenv("MLFLOW_EXPERIMENT_ID")

# Set the experiment for tracking
mlflow.set_experiment(experiment_id=experiment_id)

# Log parameters and metrics
with mlflow.start_run():
    mlflow.log_param("learning_rate", 0.01)
    mlflow.log_metric("accuracy", 0.95)
    mlflow.log_artifact("model.pkl")

Další informace najdete v tématu Přístup k proměnným prostředí z prostředků.

Odstraňte prostředek experimentu MLflow

Když z aplikace odeberete prostředek experimentu MLflow, služební principál aplikace ztratí přístup k experimentu. Samotný experiment zůstane beze změny a bude nadále dostupný pro ostatní uživatele a aplikace, které mají příslušná oprávnění.

Osvědčené postupy

Při práci s prostředky experimentu MLflow postupujte podle těchto osvědčených postupů:

• Uspořádejte experimenty logicky podle projektu nebo typu modelu, aby se zlepšila zjistitelnost.
• Konzistentně používejte pojmenovávací konvence pro spuštění a parametry v celé organizaci.
• Zvažte zásady uchovávání experimentů a správu úložiště pro dlouhotrvající projekty.