Tổng quan
MLflow là một nền tảng nguồn mở để quản lý vòng đời máy học, từ theo dõi thử nghiệm đến đóng gói và triển khai mô hình. Nó quan trọng vì nó mang lại trật tự và khả năng tái tạo cho quá trình xây dựng mô hình lộn xộn, lặp đi lặp lại.
MLflow và Theo dõi vòng đời mô hình là một khối xây dựng kỹ thuật ảnh hưởng đến chất lượng mô hình, chi phí cơ sở hạ tầng, độ trễ và độ tin cậy trên quy mô lớn.
Lặn sâu
Được tạo bởi Databricks và phát hành vào năm 2018, MLflow đã giải quyết được một vấn đề chung: các nhà khoa học dữ liệu thực hiện hàng trăm thử nghiệm và không biết thông số, mã và dữ liệu nào tạo ra mô hình tốt nhất. MLflow tổ chức việc này xung quanh bốn thành phần. Theo dõi các tham số, số liệu, phiên bản mã và thành phần đầu ra của nhật ký cho mỗi lần chạy để kết quả có thể so sánh được. Mã gói dự án ở định dạng có thể tái sử dụng, tái tạo với các môi trường được xác định. Các mô hình cung cấp một định dạng chuẩn để cùng một mô hình có thể được triển khai cho nhiều mục tiêu phục vụ. Cơ quan đăng ký mô hình bổ sung thêm phiên bản, chuyển tiếp giai đoạn (chẳng hạn như giai đoạn sản xuất) và quy trình phê duyệt. MLflow không phụ thuộc vào khung, hoạt động với scikit-learn, PyTorch, TensorFlow, XGBoost, v.v., đó là lý do tại sao nó trở thành một tiêu chuẩn thực tế để quản lý thử nghiệm và MLOps nhẹ.
Hiểu biết kỹ thuật
Theo dõi MLflow hoạt động thông qua API ghi nhật ký: trong tập lệnh đào tạo của bạn, bạn gọi các hàm để ghi lại các tham số, số liệu và thành phần lạ, được ghi vào máy chủ theo dõi được hỗ trợ bởi cơ sở dữ liệu và kho lưu trữ thành phần. Mỗi lần chạy có một ID duy nhất và thuộc về một thử nghiệm. Định dạng Mô hình bao bọc một mô hình đã đào tạo với một phiên bản (khuôn khổ của nó) cùng với siêu dữ liệu, do đó, một tạo phẩm duy nhất có thể được tải lại hoặc phân phát qua REST mà không cần viết lại mã suy luận.
Nắm vững MLflow và theo dõi vòng đời mô hình
MLflow là một nền tảng nguồn mở để quản lý vòng đời máy học, từ theo dõi thử nghiệm đến đóng gói và triển khai mô hình. Nó quan trọng vì nó mang lại trật tự và khả năng tái tạo cho quá trình xây dựng mô hình lộn xộn, lặp đi lặp lại. MLflow và Theo dõi vòng đời mô hình là một khối xây dựng kỹ thuật ảnh hưởng đến chất lượng mô hình, chi phí cơ sở hạ tầng, độ trễ và độ tin cậy trên quy mô lớn. Để xây dựng sự hiểu biết sâu sắc, hãy coi MLflow và Theo dõi vòng đời mô hình như một mô hình vận hành chứ không phải một tính năng duy nhất: xác định kết quả mong muốn, làm rõ các giả định và tách biệt những gì hệ thống có thể thực hiện một cách đáng tin cậy với những gì vẫn cần đến sự đánh giá của chuyên gia.
Trong thực tế, các nhóm mạnh sử dụng MLflow và Theo dõi vòng đời mô hình sẽ tối ưu hóa các lựa chọn về kiến trúc, dữ liệu và cơ sở hạ tầng theo độ tin cậy và chi phí. Họ ghi lại các tiêu chí thành công rõ ràng, kiểm tra dựa trên dữ liệu và quy trình làm việc thực tế, đồng thời lặp lại dựa trên các kiểu thất bại được quan sát thay vì chiến thắng điểm chuẩn một lần. Đây là nơi sự hiểu biết về mặt lý thuyết biến thành khả năng bền vững trên toàn bộ sản phẩm, chính sách và hoạt động.
Các quyết định về kiến trúc sẽ thúc đẩy hiệu suất và chi phí vận hành trong nhiều năm. Đồng thời, Tối ưu hóa một điểm chuẩn có thể che giấu những điểm yếu lớn hơn của hệ thống. Cách tiếp cận linh hoạt nhất là kết hợp tốc độ thử nghiệm với kỷ luật quản trị: chạy thử nghiệm, thu thập bằng chứng, xuất bản nhật ký quyết định và liên tục cập nhật các biện pháp bảo vệ khi hành vi của mô hình, kỳ vọng của người dùng và các yêu cầu pháp lý phát triển.
Tác động chiến lược
Các quyết định về kiến trúc sẽ thúc đẩy hiệu suất và chi phí vận hành trong nhiều năm.
Các quyết định về kiến trúc sẽ thúc đẩy hiệu suất và chi phí vận hành trong nhiều năm. Trong quá trình triển khai chất lượng cao, điều này được chuyển thành các quy tắc vận hành, ranh giới quyền sở hữu và quy trình đánh giá định kỳ có thể đo lường được để các nhóm có thể mở rộng quy mô một cách tự tin thay vì mở rộng quy mô sự mơ hồ.
Giáo dục kỹ thuật giúp các nhóm chọn nhóm phù hợp chứ không chỉ nhóm mới nhất.
Giáo dục kỹ thuật giúp các nhóm chọn nhóm phù hợp chứ không chỉ nhóm mới nhất. Trong quá trình triển khai chất lượng cao, điều này được chuyển thành các quy tắc vận hành, ranh giới quyền sở hữu và quy trình đánh giá định kỳ có thể đo lường được để các nhóm có thể mở rộng quy mô một cách tự tin thay vì mở rộng quy mô sự mơ hồ.
Lựa chọn kỹ thuật tốt hơn làm giảm sự cố về độ tin cậy trong sản xuất.
Lựa chọn kỹ thuật tốt hơn làm giảm sự cố về độ tin cậy trong sản xuất. Trong quá trình triển khai chất lượng cao, điều này được chuyển thành các quy tắc vận hành, ranh giới quyền sở hữu và quy trình đánh giá định kỳ có thể đo lường được để các nhóm có thể mở rộng quy mô một cách tự tin thay vì mở rộng quy mô sự mơ hồ.
Triển khai trong thế giới thực
Nhóm khoa học dữ liệu ghi lại mọi lần chạy đào tạo bằng MLflow Tracking, sau đó so sánh hàng chục lần chạy trong giao diện người dùng để chọn mô hình hoạt động tốt nhất.
Một công ty bảo hiểm sử dụng Cơ quan đăng ký mô hình để thúc đẩy mô hình rủi ro từ giai đoạn dàn dựng sang sản xuất chỉ sau khi người đánh giá phê duyệt quá trình chuyển đổi.
Một nhóm đóng gói một mô hình ở định dạng MLflow một lần, sau đó triển khai tạo phẩm giống hệt đó đến điểm cuối REST, tác vụ hàng loạt và nền tảng đám mây.
Nhóm ứng dụng LLM sử dụng tính năng theo dõi MLflow để ghi lại lời nhắc, phản hồi và độ trễ cho mỗi cuộc gọi, gỡ lỗi cho tác nhân hoạt động sai.
Các mẫu triển khai
MLflow và Theo dõi vòng đời mô hình trong thực tế
Nhóm khoa học dữ liệu ghi lại mọi lần chạy đào tạo bằng MLflow Tracking, sau đó so sánh hàng chục lần chạy trong giao diện người dùng để chọn mô hình hoạt động tốt nhất.
Nhóm khoa học dữ liệu ghi lại mọi lần chạy đào tạo bằng Theo dõi MLflow, sau đó so sánh hàng chục lần chạy trong giao diện người dùng để chọn mô hình hoạt động tốt nhất. Các nhóm thường nhận được kết quả tốt hơn khi họ xác định trước ngưỡng chất lượng, duy trì lộ trình leo thang của con người cho các trường hợp khó khăn và theo dõi cả mức tăng năng suất và chi phí lỗi theo thời gian.
MLflow và Theo dõi vòng đời mô hình trong thực tế
Một công ty bảo hiểm sử dụng Cơ quan đăng ký mô hình để thúc đẩy mô hình rủi ro từ giai đoạn dàn dựng sang sản xuất chỉ sau khi người đánh giá phê duyệt quá trình chuyển đổi.
Một công ty bảo hiểm sử dụng Cơ quan đăng ký mô hình để quảng bá mô hình rủi ro từ giai đoạn dàn dựng sang sản xuất chỉ sau khi người đánh giá phê duyệt quá trình chuyển đổi. Các nhóm thường đạt được kết quả tốt hơn khi họ xác định trước các ngưỡng chất lượng, duy trì lộ trình leo thang của con người đối với các trường hợp khó khăn và theo dõi cả mức tăng năng suất và chi phí lỗi theo thời gian.
MLflow và Theo dõi vòng đời mô hình trong thực tế
Một nhóm đóng gói một mô hình ở định dạng MLflow một lần, sau đó triển khai tạo phẩm giống hệt đó đến điểm cuối REST, tác vụ hàng loạt và nền tảng đám mây.
Một nhóm đóng gói một mô hình ở định dạng MLflow một lần, sau đó triển khai tạo phẩm giống hệt nhau đến điểm cuối REST, công việc hàng loạt và nền tảng đám mây. Các nhóm thường nhận được kết quả tốt hơn khi họ xác định trước ngưỡng chất lượng, duy trì lộ trình leo thang của con người cho các trường hợp biên và theo dõi cả mức tăng năng suất và chi phí lỗi theo thời gian.
MLflow và Theo dõi vòng đời mô hình trong thực tế
Nhóm ứng dụng LLM sử dụng tính năng theo dõi MLflow để ghi lại lời nhắc, phản hồi và độ trễ cho mỗi cuộc gọi, gỡ lỗi cho tác nhân hoạt động sai.
Nhóm ứng dụng LLM sử dụng tính năng theo dõi MLflow để ghi lại lời nhắc, phản hồi và độ trễ cho mỗi cuộc gọi, gỡ lỗi tác nhân hoạt động sai. Các nhóm thường nhận được kết quả tốt hơn khi họ xác định trước ngưỡng chất lượng, duy trì lộ trình leo thang của con người đối với các trường hợp khó khăn và theo dõi cả mức tăng năng suất và chi phí lỗi theo thời gian.
Rủi ro & lan can
Tối ưu hóa một điểm chuẩn có thể che giấu những điểm yếu của hệ thống rộng hơn.
Chi phí cơ sở hạ tầng và bảo trì thường được đánh giá thấp.
Khoảng cách về bảo mật và khả năng quan sát có thể tăng lên khi hệ thống trở nên phức tạp hơn.
Lộ trình thực hiện
Xác định các mục tiêu về độ trễ, chất lượng và chi phí trước khi triển khai.
Xác định các mục tiêu về độ trễ, chất lượng và chi phí trước khi triển khai. Hãy coi mỗi bước như một cổng bằng chứng: nếu không đáp ứng được các tiêu chí, hãy tạm dừng triển khai, thu hẹp khoảng cách và chỉ sau đó mới mở rộng mức sử dụng.
Điểm chuẩn trong điều kiện tải và dữ liệu thực tế.
Điểm chuẩn trong điều kiện tải và dữ liệu thực tế. Hãy coi mỗi bước như một cổng bằng chứng: nếu không đáp ứng được các tiêu chí, hãy tạm dừng triển khai, thu hẹp khoảng cách và chỉ sau đó mới mở rộng mức sử dụng.
Giám sát thiết bị về lỗi, độ lệch và tác động của người dùng.
Giám sát thiết bị về lỗi, độ lệch và tác động của người dùng. Hãy coi mỗi bước như một cổng bằng chứng: nếu không đáp ứng được các tiêu chí, hãy tạm dừng triển khai, thu hẹp khoảng cách và chỉ sau đó mới mở rộng mức sử dụng.
Chuẩn bị đường dẫn khôi phục và ứng phó sự cố trước khi mở rộng quy mô.
Chuẩn bị đường dẫn khôi phục và ứng phó sự cố trước khi mở rộng quy mô. Hãy coi mỗi bước như một cổng bằng chứng: nếu không đáp ứng được các tiêu chí, hãy tạm dừng triển khai, thu hẹp khoảng cách và chỉ sau đó mới mở rộng mức sử dụng.