Theo dõi vòng đời mô hình và MLflow
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.
Tổng quan
It matters because it brings order and reproducibility to the messy, iterative process of building models.
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.
Tác động chiến lược
Chi phí và ngân sách
Các quyết định về kiến trúc sẽ thúc đẩy hiệu suất và chi phí vận hành trong nhiều năm.
Quyết định rõ ràng hơn
Giáo dục kỹ thuật giúp các nhóm chọn nhóm phù hợp chứ không chỉ nhóm mới nhất.
Kiểm soát chất lượng
Lựa chọn kỹ thuật tốt hơn làm giảm sự cố về độ tin cậy trong sản xuất.
Tương lai của MLflow và Theo dõi vòng đời mô hình
MLflow đang mở rộng mạnh mẽ sang AI tổng hợp, bổ sung khả năng theo dõi cho các ứng dụng LLM, quản lý kịp thời và công cụ đánh giá cho các chuỗi và đại lý. Mong đợi sự hỗ trợ sâu hơn để theo dõi các kết quả đầu ra LLM không xác định, tập dữ liệu và lập phiên bản nhanh chóng cũng như tích hợp với ngăn xếp khả năng quan sát rộng hơn. Khi cơ quan đăng ký hoàn thiện, nó ngày càng đóng vai trò là trung tâm quản trị nơi các nhóm phê duyệt, kiểm tra và khôi phục cả mô hình cổ điển và hệ thống AI tổng quát trên các môi trường sản xuất.
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.
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.
Điểm chuẩn trong điều kiện tải và dữ liệu thực tế.
Giám sát thiết bị về lỗi, độ lệch và tác động của người dùng.
Chuẩn bị đường dẫn khôi phục và ứng phó sự cố trước khi mở rộng quy mô.
Tiếp tục khám phá
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the MLflow and Model Lifecycle Tracking quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Hướng dẫn tiếp theo
Vòng đời của mô hình
Câu hỏi thường gặp
What is MLflow and Model Lifecycle Tracking?
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.
Theo dõi MLflow giải quyết vấn đề chính nào cho các nhà khoa học dữ liệu?
Việc theo dõi ghi lại thông tin đầu vào và kết quả của mỗi lần chạy để các nhóm có thể so sánh các thử nghiệm và tái tạo mô hình tốt nhất.
Thành phần MLflow nào xử lý việc tạo phiên bản mô hình và chuyển đổi giai đoạn như dàn dựng sang sản xuất?
Cơ quan đăng ký mô hình bổ sung thêm phiên bản, các giai đoạn vòng đời và quy trình phê duyệt để quản lý các mô hình trong sản xuất.
Việc MLflow là 'bất khả tri về khung' có nghĩa là gì?
MLflow hỗ trợ nhiều loại khung, đó là lý do chính khiến nó trở thành một tiêu chuẩn trên thực tế.
Mục đích của định dạng Mô hình MLflow là gì?
Định dạng Mô hình tiêu chuẩn hóa việc đóng gói để cùng một thành phần lạ có thể được tải lại hoặc phân phát cho nhiều mục tiêu mà không cần viết lại mã.
Công ty nào đã tạo ra MLflow?
MLflow được Databricks tạo ra và phát hành dưới dạng nguồn mở vào năm 2018.