Handleiding voor MLflow

MLflow is een open source-platform voor het beheer van de end-to-end levenscyclus van machine learning. Het bestaat uit de volgende hoofdcomponenten:

• Tracering: Hiermee kunt u experimenten volgen om parameters en resultaten vast te leggen en te vergelijken.
• Modellen: Hiermee kunt u modellen beheren en implementeren, van verschillende ML-bibliotheken tot verschillende modelbedienings- en inferentieplatforms.
• Projecten: Hiermee kunt u ML-code verpakken in een herbruikbare, reproduceerbare vorm om te delen met andere datawetenschappers of over te zetten naar productie.
• Modelregister: Hiermee kunt u een modelwinkel centraliseren voor het beheren van de overgangen van de volledige levenscyclus van modellen: van staging naar productie, met mogelijkheden voor versiebeheer en annotatie.
• Modellen aanbieden: Hiermee kunt u MLflow-modellen als REST-eindpunten hosten.

Azure Databricks biedt een volledig beheerde en gehoste versie van MLflow, geïntegreerd met beveiligingsfuncties voor bedrijven, hoge beschikbaarheid en andere Azure Databricks-werkruimtefuncties zoals experimenter- en runbeheer en het vastleggen van revisies van notebooks. MLflow op Azure Databricks biedt een geïntegreerde ervaring voor het volgen en beveiligen van machine learning-modeltrainingen en het uitvoeren van machine learning-projecten.

Nieuwe gebruikers moeten beginnen met de quickstart, waarin de basis-API's voor MLflow-tracering worden gedemonstreert. In de volgende artikelen wordt elke MLflow-component geïntroduceerd met voorbeeldnotitieblokken en wordt beschreven hoe deze componenten worden gehost binnen Azure Databricks.

MLflow ondersteunt Java, Python, R en REST-API's.

MLflow-gegevens worden versleuteld door Azure Databricks met behulp van een door het platform beheerde sleutel. Versleuteling met door de klant beheerde sleutels inschakelen voor beheerde services wordt niet ondersteund.

• Aan de slag met MLflow-experimenten
• Trainingsrondes voor machine learning bijhouden
• MLflow-modellen registreren, laden, registreren en implementeren
• MLflow-projecten uitvoeren op Azure Databricks
• MLflow-modelregister in Azure Databricks
• Model dat wordt geleverd met serverloze Real-Time deductie
• Migreren naar serverloze Real-Time deductie
• Serverloze Real-Time deductie-eindpunten maken en beheren
• Aangepaste Python-bibliotheken gebruiken met serverloze Real-Time deductie
• Aangepaste artefacten en bestanden verpakken voor serverloze Real-Time deductie
• Klassieke MLflow-modelservice in Azure Databricks
• Databricks Autologging
• MLflow-objecten kopiëren tussen werkruimten
• Zelfstudie: End-to-end ML-modellen in Azure Databricks