Con la progressiva espansione delle MLOps, i professionisti dei dati vedono la necessità di una piattaforma di machine learning unificata e aperta, sulla quale addestrare, testare e implementare modelli nel modo più fluido possibile, unitamente a strumenti come MLflow che semplificano il ciclo di vita ML e rendono il processo più rigoroso e riproducibile.

Attraverso un caso d'uso di machine learning reale, vedrai come MLflow semplifica e snellisce l'intero flusso di lavoro ML. Con MLflow su Databricks, il server MLflow Tracking consente di tracciare e catalogare automaticamente ogni ciclo di addestramento del modello attraverso i dati. Questo demo mostra anche come MLflow Projects confeziona in modo ordinato i modelli e gli ambienti di addestramento ML in un formato di progetto universale, e come MLflow Model Registry guida i modelli ML attraverso gli ambienti di test e staging fino alla produzione, direttamente dall'interno di Databricks.