Co je to MLflow?

MLflow řeší chaos v ML projektech. Bez něj je těžké sledovat, který model byl nejlepší, jaká data byla použita a jak model nasadit.

Hlavní komponenty

MLflow se skládá ze čtyř základních částí:

Komponenta	Popis	Hlavní přínos		MLflow Tracking	Záznam parametrů, verzí kódu, metrik a artefaktů.	Porovnávání výsledků různých běhů.		MLflow Projects	Standardizovaný formát pro balení kódu (např. pomocí Conda/Docker).	Zajišťuje, že kód poběží každému stejně.		MLflow Models	Standardní formát pro ukládání modelů.	Snadné nasazení do různých prostředí (Azure, AWS, Spark).		Model Registry	Centralizované úložiště pro správu verzí a stavů modelů.	Kontrola nad tím, co jde do produkce.

Proč MLflow používat?

  Reprodukovatelnost: Každý experiment lze přesně zopakovat.

  Škálovatelnost: Funguje pro jednoho uživatele i pro velké týmy.

  Agnostičnost: Podporuje libovolnou knihovnu (Scikit-learn, TensorFlow, PyTorch).

Ukázka kódu (Python)

Základní logování experimentu vypadá v kódu následovně:

 import mlflow
 
with mlflow.start_run(): mlflow.log_param("learning_rate", 0.01) mlflow.log_metric("accuracy", 0.95) # Uložení modelu mlflow.sklearn.log_model(model, "my_model")