Revenir au contenu principal

Mlflow administré

Gérer le cycle de vie du machine learning de bout en bout

managedmlflow

Qu'est-ce que Managed MLflow ?

Managed MLflow élargit la fonctionnalité de MLflow, la plateforme open source développée par Databricks. Dédiée à la gestion du cycle de vie du machine learning, elle offre une fiabilité, une sécurité et une évolutivité de niveau entreprise. La dernière mise à jour de MLflow introduit de nouvelles fonctionnalités LLMOps qui facilitent la gestion et le déploiement de grands modèles de langage (LLM). Cet élargissement de la prise en charge des LLM est le fruit de nouvelles intégrations à deux outils LLM de référence, les transformeurs Hugging Face et les fonctions OpenAI, ainsi qu'à la passerelle IA de MLflow. D'autre part, l'ajout de LangChain et d'une UI d'ingénierie de prompts simplifie le développement de modèles axés sur la création d'applications d'IA générative dans un large éventail de domaines : robot conversationnel, synthèse de document, classification de texte, analyse de sentiment et plus encore.

Avantages

model development

Développement de modèles

Améliorez et accélérez la gestion du cycle de vie du machine learning grâce à un cadre normalisé qui facilite la création de modèles prêts pour la production. Appuyez-vous sur les recettes de Managed MLflow pour mettre sur pied des projets de ML sans difficulté, itérer rapidement et déployer des modèles à grande échelle. Élaborez sans efforts des applications de robot conversationnel, de synthèse de documents, d'analyse du sentiment et de classification. Développez très simplement des applications d'IA générative (robot conversationnel, synthèse de documents) avec la passerelle IA et l'interface d'ingénierie de prompts de MLflow, toutes deux intégrées sans couture à LangChain, Hugging Face et OpenAI.

Deploy a model for a batch interface

Suivi des tests

Lancez des tests avec n'importe quels langage, framework ou bibliothèque ML et effectuez automatiquement le suivi du code ou des paramètres, indicateurs et modèles de chaque test. En utilisant MLflow sur Databricks, vous disposez d'un moyen sécurisé de partager, gérer et comparer des résultats d'expérimentation, accompagnés de leurs artefacts et de leurs versions de code. Et tout cela grâce à l'intégration des Databricks Workspace et des notebooks.

model development

Gestion de modèles

Au sein d'un même emplacement centralisé, vous allez pouvoir partager des modèles ML, collaborer pour les faire passer de l'expérimentation aux tests et à la production, intégrer des workflows d'approbation et de gouvernance et assurer le suivi des déploiements ML et de leurs performances. Le Registre de modèles MLflow facilite le partage d'expertise et de connaissances et vous aide à garder le contrôle.

model development

Déploiement de modèles

Déployez rapidement des modèles en production pour les inférences par batch sur Apache Spark™ ou sous forme d'API REST grâce aux intégrations natives avec les conteneurs Docker, Azure ML ou Amazon SageMaker. Avec Managed MLflow sur Databricks, vous pouvez mettre en service et surveiller les modèles de production à l'aide de l'ordonnanceur Databricks et des clusters auto-gérés en fonction de vos besoins métier.

Les dernières modifications apportées à MLflow englobent des applications d'IA générative pour faciliter leur déploiement. Robot conversationnel, synthèse de documents, analyse du sentiment, classification... Vous pouvez désormais déployer vos applications d'IA générative à grande échelle avec la mise à disposition de modèles offerte par Databricks.

Fonctionnalités

icon-orange-Data-Parser-Normalizer-ETL-ELT

MLFLOW TRACKING

MLflow Tracking : Enregistrez automatiquement les paramètres, versions du code, indicateurs et artefacts de chaque exécution avec Python, REST, l'API R et l'API JAVA.

INGÉNIERIE DE PROMPTS : le modèle de développement simplifié permet de créer des applications d'IA générative pour un large éventail de cas d'usage – robots conversationnels, synthèse de documents, analyse du sentiment et classification. La passerelle IA et l'interface d'ingénierie de prompts de MLflow sont prises en charge par une intégration native avec LangChain et offrent une UI sans code pour faciliter le prototypage et l'itération.

Serveur MLflow Tracking : Démarrez rapidement avec un serveur de suivi inclus permettant d'enregistrer toutes vos exécutions et expériences en un seul et même endroit. Aucune configuration n'est requise sur Databricks.

Gestion des tests : Créez, sécurisez, organisez, recherchez et visualisez vos tests depuis le workspace et bénéficiez du contrôle d'accès et des requêtes de recherche.

Barre latérale d'exécutions MLflow : Suivez automatiquement vos exécutions directement depuis les notebooks et capturez un instantané à chaque exécution ; ainsi, vous êtes toujours en mesure de revenir à une version précédente de votre code.

Journalisation des données des exécutions : Enregistrez les paramètres, jeux de données, indicateurs, artefacts, etc. en tant qu'exécutions, que ce soit dans des fichiers locaux, dans une base de données compatible SQLAlchemy ou encore à distance sur un serveur de suivi.

Intégration Delta Lake : Effectuez le suivi des jeux de données à grande échelle qui ont servi à alimenter vos modèles grâce aux instantanés Delta Lake.

Banque d'artefacts : Stockez des fichiers volumineux tels que des buckets Amazon S3 buckets, des systèmes de fichiers NFS partagés et des modèles sur Amazon S3, Azure Blob Storage, Google Cloud Storage, un SFTP, NFS ou via des chemins de fichiers locaux.

icon connectors

MLflow Models

MLflow Models : Format standard d'empaquetage des modèles de machine learning utilisable avec divers outils en aval tels que la diffusion en temps réel par une API REST ou l'inférence par batch sous Apache Spark.

Personnalisation de modèles : Utilisez des modèles Python personnalisés et des saveurs personnalisées pour vos modèles à partir d'une bibliothèque ML non explicitement prise en charge par les saveurs intégrées à MLflow.

VARIANTES DE MODÈLES INTÉGRÉES : MLflow propose plusieurs variantes standard potentiellement utiles pour vos applications : Python et fonctions R, Hugging Face, OpenAI et LangChain, PyTorch, Spark MLlib, TensorFlow et ONNX.

OUTILS DE DÉPLOIEMENT INTÉGRÉS : déployez rapidement sur Databricks via Apache Spark UDF dans le cas d'une machine locale, ou dans plusieurs autres environnements de production comme Microsoft Azure ML, Amazon SageMaker, et créez des images Docker Images à déployer.

icon-orange-Join-Hints

MLflow Model Registry

DÉPÔT CENTRAL : inscrivez des modèles dans le Registre de modèles MLflow. Chaque modèle enregistré possède un nom, une version et un stade propres ainsi que d'autres métadonnées.

Contrôle de version des modèles : Conservez automatiquement la trace des versions des modèles enregistrés lors de leur mise à jour.

STADES DE MODÈLES : assignez des étapes prédéfinies ou personnalisées à chaque version de modèle, telle que « pré-production » ou « production » pour représenter le cycle de vie d'un modèle.

Intégrations de workflows CI/CD : Enregistrez les transitions entre les stades, demandez, évaluez et approuvez des changements dans le cadre de pipelines CI/CD pour un contrôle et une gouvernance optimisés.

Transitions entre stades de modèles : Conservez les nouveaux événements d'enregistrement ou leurs modifications sous forme d'activités gardant automatiquement une trace des utilisateurs, changements et nouvelles métadonnées telles que les commentaires.

icon

Passerelle IA MLflow

ENCADREZ L'ACCÈS AUX LLM : gérez les identifiants d'accès aux LLM en SaaS

CONTRÔLEZ LES COÛTS : Fixez des limites d'usage

NORMALISEZ LES INTERACTIONS AVEC LES LLM : Expérimentez différents LLM en OSS/SaaS avec des interfaces d'entrée/sortie standard pour différentes tâches : complétion automatique, discussion, incorporations.

mlflow recipes

Recette MLflow

UN DÉMARRAGE SIMPLIFIÉ : les recettes MLflow fournissent des composants connectés prêts à l'emploi pour créer et déployer des modèles de ML.

ITÉRATION DE MODÈLES ACCÉLÉRÉE : les recettes MLflow découpent l'itération des modèles en étapes standardisées et réutilisables, ce qui rend le processus plus rapide et réduit son coût.

TRANSMISSION AUTOMATISÉE D'UNE ÉQUIPE À L'AUTRE : une structure articulée fournit du code modulaire prêt à mettre en production pour automatiser le passage de l'expérimentation à la production.

Predictive maintenance

MLflow Projects

PROJETS MLFLOW : les projets MLflow permettent de préciser l'environnement logiciel à utiliser pour exécuter votre code. À ce jour, MLflow prend en charge les environnements de projet suivants : Conda, conteneurs Docker et environnement système. Tout dépôt Git ou répertoire local peut être traité en tant que projet MLflow.

Mode d'exécution à distance : Exécutez des projets MLflow à distance depuis Git ou des sources locales sur des clusters Databricks à l'aide de la ligne de commande Databricks et adaptez ainsi rapidement votre code à n'importe quelle échelle.

Consultez les actus sur nos produits publiées sur Azure Databricks et AWS pour découvrir nos dernières fonctionnalités.

Comparaison des offres MLflow

Open Source MLflow

Managed MLflow on Databricks

Suivi des tests

API de suivi MLflow

Serveur de suivi MLflow

Auto-hébergé

Entièrement géré

Intégration des notebooks

Intégration des workflows

Projets reproductibles

MLflow Projects

Intégration Git et Conda

Cloud/clusters évolutifs pour l'exécution des projets

Gestion de modèles

MLflow Model Registry

Contrôle de versions des modèles

Transition d'étape ACL

Intégrations de workflows CI/CD

Déploiements flexibles

Inférence par batch intégrée

MLflow Models

Analyses en streaming intégrées

Sécurité et gestion

Haute disponibilité

Mises à jour automatiques

Contrôle d'accès basé sur les rôles

Comment ça marche

MLflow est un ensemble d'interfaces utilisateur et d'API légères utilisables avec n'importe quelle infrastructure ML sur l'ensemble du workflow de machine learning. Il regroupe quatre composants : MLflow Tracking, MLflow Projects, MLflow Models et MLflow Model Registry

En savoir plus sur MLflow

managed mlflow
MLFLOW TRACKING

Enregistrez et interrogez vos expérimentations : code, données, configuration et résultats.

En savoir plus
managed mlflow
MLflow Projects

Un format de package pour des cycles reproductibles sur n'importe quelle plateforme.

En savoir plus
managed mlflow
MLflow Models

Un format général pour envoyer des modèles vers différents outils de déploiement.

En savoir plus
managed mlflow
MLflow Model Registry

Un dépôt centralisé permettant de gérer les modèles MLflow de manière collaborative, tout au long de leur cycle de vie.

En savoir plus

MLflow managé
sur Databricks

Managed MLflow sur Databricks est une version entièrement gérée de MLflow qui permet aux utilisateurs de reproduire et gérer leurs expérimentations avec les notebooks Databricks, les tâches et les dépôts de données. Il profite également de la fiabilité, de la sécurité et de l'évolutivité de la plateforme lakehouse de Databricks.

Lire la documentation

Log Your First Run as an Experiment MLflow

Ressources