Managed MLflow

Managed MLflow auf Databricks bietet Experimentverfolgung, Beobachtbarkeit, Performancebewertung und Modellverwaltung für das gesamte Spektrum des maschinellen Lernens und KI – von klassischen Modellen und Deep Learning bis hin zu generativen KI-Anwendungen und Agenten – alles nativ in der Databricks Data + AI Platform. Es basiert auf der Open-Source-MLflow-Grundlage und ist mit Zuverlässigkeit, Sicherheit und Skalierbarkeit auf Unternehmensniveau ausgestattet. Zu den Kernfunktionen gehören Experiment-Tracking, Modellbewertung für ML und DL, eine in Unity Catalog integrierte Modellregistrierung und die Bereitstellung in großem Maßstab über Databricks Model Serving.

Managed MLflow ist für Data Science-, ML-Engineering- und KI-Entwicklungsteams konzipiert, die alles von klassischen ML- und Deep-Learning-Modellen bis hin zu generativen KI-Agenten und Anwendungen in einem Workflow nachverfolgen, bewerten und steuern müssen. Es wurde für Unternehmen entwickelt, die KI- und Datenressourcen kontrolliert und geschützt halten möchten und gleichzeitig ihre bevorzugten Tools, Frameworks und Sprachen im gesamten KI- und ML-Ökosystem verwenden möchten. Da es Experimentverfolgung, Prompt-Management und Paketierung in einem einzigen Workflow vereint, ist es ideal für Unternehmen, die sonst separate Tools für die klassische ML- und GenAI-Entwicklung zusammenfügen müssten.

Managed MLflow bietet dieselben offenen MLflow-APIs – Tracking, Evaluierung und Model Registry –, ersetzt jedoch den selbst gehosteten Tracking-Server durch einen vollständig verwalteten und fügt Funktionen hinzu, die laut Vergleichstabelle exklusiv für das verwaltete Angebot verfügbar sind, einschließlich Produktionsüberwachung, anpassbarer Dashboards für Beobachtbarkeit, Hochverfügbarkeit und automatisierter Aktualisierungen. Es ist außerdem nativ in Unity Catalog integriert für Enterprise Governance, rollenbasierte Genehmigungsworkflows und CI/CD-Workflow-Integrationen über Modelle und Agenten hinweg. Da es auf Open-Source-MLflow basiert – mit mehr als 800 Community-Mitwirkenden, mehr als 25 Millionen monatlichen Paketdownloads und mehr als 5.000 Organisationen, die es nutzen – behalten Sie volle Flexibilität über Frameworks und Sprachen hinweg und profitieren gleichzeitig von einer vollständig verwalteten Umgebung.

Agent Tracing ist der Prozess, bei dem jeder Schritt erfasst wird, den ein KI-Agent während der Ausführung durchführt – einschließlich Eingaben, Ausgaben, Toolaufrufen, Abrufschritten und LLM-Prompts –, um Entwicklern ein vollständiges Bild des Agentenverhaltens zu geben. In Managed MLflow basiert das Tracing auf einer OpenTelemetry-kompatiblen Grundlage, sodass jede Interaktion mit voller Genauigkeit und ohne Anbieterbindung aufgezeichnet wird.

Die Beobachtbarkeit von KI-Agenten ist die Fähigkeit, das Verhalten von KI-Agenten unter realen Bedingungen kontinuierlich zu überwachen, zu bewerten und zu verstehen – nicht nur während der Entwicklung. Sie umfasst die Nachverfolgung einzelner Ausführungen, die Nachverfolgung von Qualitätsmetriken im Zeitverlauf, die Erkennung von Problemen wie PII-Lecks oder Halluzinationen und die Reaktion auf Leistungsverschlechterungen, bevor sie sich auf die Nutzer auswirken.

Die meisten eigenständigen Tracing-Tools benötigen eine separate Infrastruktur, verfügen nicht über native Bewertungsfunktionen und schaffen Datensilos, die von Ihrer Modellregistrierung und Bereitstellungspipeline getrennt sind. MLflow Tracing zeichnet sich durch seine Open-Source-Grundlage (kein Vendor Lock-In), seine enge Integration in Experiment-Tracking, Prompt-Versionierung und LLM-Judge-Evaluierung sowie seine Fähigkeit, Trace-Daten mit SQL und Databricks AI/BI abzufragen, was es zu einer Tracing-Lösung macht, die gleichzeitig eine vollständige Beobachtungsplattform für den gesamten KI- und ML-Lebenszyklus ist.

Agent-Traces enthalten konstruktionsbedingt vertrauliche Informationen – sie erfassen Roheingaben, abgerufene Dokumente, Parameter für Toolaufrufe und Modellausgaben, die PII, proprietäre Daten oder vertraulichen Geschäftskontext enthalten können. Ein produktionsfähiges Tracing-Tool muss rollenbasierte Zugriffskontrollen für Trace-Daten durchsetzen, Anforderungen an die Datenresidenz unterstützen und sich in Ihr umfassenderes Governance-Framework integrieren. Managed MLflow löst dies durch die native Unity Catalog-Integration, die feingranulare Zugriffskontrollen, vollständige Datenherkunft und Audit-Protokollierung für alle Trace-Daten bietet – dadurch wird sichergestellt, dass die Beobachtbarkeit nicht auf Kosten der Compliance geht.

Sie können Databricks kostenlos testen, um Managed MLflow zu verwenden, oder eine Demo mit dem Databricks-Team vereinbaren, wenn Sie zuerst eine geführte Anleitung wünschen. Sobald Sie sich in der Plattform befinden, führen Sie der Quick Start Guide und die Dokumentation für Managed MLflow GenAI und Machine Learning durch die Einrichtung von Experimentverfolgung, Tracing und Modellregistrierung. Auf dieser Seite sind keine spezifischen Preise oder Tarifstufen aufgeführt. Die Kostendetails können Sie daher am besten während der kostenlosen Testanmeldung oder in einem Gespräch mit Databricks bestätigen.