À medida que a área de MLOps se torna mais popular, os profissionais de dados veem a necessidade de uma plataforma de machine learning unificada e aberta, onde possam treinar, testar e implantar modelos com o mínimo de atrito possível, juntamente com ferramentas como o MLflow, que simplificam o ciclo de vida do ML e tornam o processo mais rigoroso e reproduzível.

Usando um caso de uso de machine learning do mundo real, você verá como o MLflow simplifica e otimiza o fluxo de trabalho completo do ML. Com o MLflow na Databricks, você pode usar o servidor MLflow Tracking para rastrear e catalogar automaticamente cada treinamento de modelo executado através dos dados. Esta demonstração também mostra como o MLflow Projects empacota perfeitamente modelos de ML e ambientes de treinamento em um formato de projeto universal e como o MLflow Model Registry orienta os modelos de ML por meio de ambientes de teste e preparação para produção, de dentro da própria Databricks.