Le champ des MLOps ne cesse de s'élargir et les professionnels des données ont besoin d'une plateforme de machine learning ouverte et unifiée pour entraîner, tester et déployer des modèles avec un minimum de friction. De plus, cette plateforme doit fournir des outils comme MLflow pour simplifier le cycle de vie du ML et rendre le processus plus rigoureux et reproductible.

En explorant un cas d'usage réel du machine learning, vous découvrirez comme MLflow simplifie et harmonise l'intégralité du workflow ML.En intégrant MLflow à Databricks, vous pouvez utiliser le serveur MLflow Tracking pour suivre et cataloguer automatiquement chaque cycle d'entraînement d'un modèle sur les données.Au cours de cette démonstration, vous découvrirez aussi que les projets MLflow ont l'avantage d'englober les modèles ML et les environnements d'entraînement au sein d'un format de projet universel. Vous obtiendrez également des informations sur la manière dont le registre de modèles MLflow pilote les modèles ML dans les environnements de test et de préparation avant de déclencher la mise en production, directement dans Databricks.