Der MLOps-Bereich wächst stetig, und deswegen erkennen Datenfachleute zunehmenden Bedarf an einer einheitlichen, offenen Plattform für maschinelles Lernen, auf der man Modelle ohne nennenswerte Reibungsverluste trainieren, testen und anwenden kann, ergänzt durch Tools wie MLflow, die den ML-Lebenszyklus vereinfachen und Standardisierbarkeit sowie Reproduzierbarkeit des Prozesses verbessern.

Anhand eines realen Anwendungsfalls für Machine Learning erfahren Sie, wie MLflow den kompletten ML-Workflow vereinfacht und optimiert. Mit MLflow auf Databricks können Sie mithilfe des MLflow-Tracking-Servers jedes einzelne Modelltraining, das für die Daten vorgenommen wird, automatisch verfolgen und katalogisieren. Die Demo zeigt außerdem, wie MLflow Projects ML-Modelle und Trainingsumgebungen sauber in einem universellen Projektformat packt und wie die MLflow-Modell-Registry direkt aus Databricks heraus ML-Modelle durch Test- und Staging-Umgebungen in die Produktion führt.