Funzionalità di MLflow
MLflow è costituito da quattro componenti:
- MLflow Tracking
- MLflow Projects
- MLflow Models
- MLflow Model Registry
MLflow Tracking
MLflow Tracking consente ai data scientist di lavorare con esperimenti in cui elaborano e analizzano i dati o eseguono il training di modelli di Machine Learning. Per ogni esecuzione in un esperimento, un data scientist può registrare i valori dei parametri, le versioni delle librerie usate, le metriche di valutazione del modello e i file di output generati; incluse immagini di visualizzazioni dei dati e file di modello. Questa possibilità di registrare dettagli importanti sulle esecuzioni degli esperimenti consente di controllare e confrontare i risultati delle esecuzioni di training del modello precedenti.
MLflow Projects
Un progetto MLflow è un modo per creare pacchetti di codice per una distribuzione coerente e una riproducibilità dei risultati. MLflow supporta diversi ambienti per i progetti, tra cui l'uso di Conda e Docker per definire ambienti di esecuzione di codice Python coerenti.
MLflow Models
MLflow offre un formato standardizzato per la creazione di pacchetti di modelli per la distribuzione. Questo formato di modello standardizzato consente a MLflow di lavorare con modelli generati da diverse librerie più diffuse, tra cui Scikit-Learn, PyTorch, MLlib e altri.
Suggerimento
Per informazioni sul set completo di versioni del modello supportate, vedere la documentazione relativa a MLflow Models.
MLflow Model Registry
Il Registro modelli di MLflow consente ai data scientist di registrare i modelli sottoposti a training. I modelli e i progetti MLflow usano il Registro modelli di MLflow per consentire ai tecnici dell’apprendimento automatico di distribuire e gestire modelli utilizzabili delle applicazioni client.