MLflow est une plateforme open source qui permet de gérer le cycle de vie
Les composants de MLflow#
- MLflow Tracking
- MLflow Projects
- MLflow Models
- MLflow Model Registry
1. MLflow Tracking#
MLflow Tracking est un composant essentiel qui permet de suivre les expériences. Il vous aide à enregistrer les hyperparamètres, les métriques, les artefacts et le code source associés à chaque exécution. Cela facilite la comparaison des performances des modèles et la reproduction des résultats.
- Fonctionnalités clés :
- Suivi des métriques (précision, perte, etc.).
- Enregistrement des hyperparamètres.
- Suivi des artefacts (modèles enregistrés, fichiers de sortie).
- Interface utilisateur pour explorer les exécutions.
2. MLflow Projects#
MLflow Projects propose une structure standard pour organiser vos projets Machine Learning. Chaque projet est défini par un fichier MLproject qui spécifie les dépendances, les entrées et les commandes à exécuter.
- Avantages :
- Portabilité : facilite le partage de projets entre équipes.
- Répétabilité : exécutez les projets avec les mêmes dépendances et paramètres.
3. MLflow Models#
MLflow Models est un composant conçu pour gérer les modèles Machine Learning. Vous pouvez enregistrer un modèle dans différents formats (Scikit-learn, TensorFlow, PyTorch, etc.) et le déployer facilement.
- Fonctionnalités principales :
- Enregistrement des modèles avec des signatures (entrées/sorties attendues).
- Conversion des modèles dans des formats standardisés comme ONNX.
- Intégration avec des outils de déploiement tels que Docker et Kubernetes.
4. MLflow Model Registry#
MLflow Model Registry offre un moyen centralisé de gérer le cycle de vie des modèles (enregistrement, validation, déploiement et archivage).
- Étapes clés :
- Enregistrement : Stockez les modèles approuvés dans le registre.
- Transition : Déplacez les modèles entre différents états (staging, production).
- Versionnement : Gérez plusieurs versions d'un même modèle.
MLmodel#
MLflow utilise le format MLModel pour stocker toutes les ressources pertinentes d’un modèle dans un dossier
Comprendre le format de modèle MLflow
je vous invite à lire Comprendre le format de modèle MLflow. Dans la prochaine section, nous explorerons en détail comment installer et configurer MLflow pour des projets de machine learning.
Commentaires