マネージド MLflow

機械学習ライフサイクルの管理

マネージド MLflow とは

マネージド型の MLflow は、Databricks によって開発されたオープンソースプラットフォームである MLflow 上に構築されています。エンタープライズレベルの信頼性、セキュリティ、スケーラビリティで、機械学習のライフサイクルを管理できます。

メリット

モデル開発

本番環境で使用可能な ML モデルを開発するための標準化されたフレームワークにより、機械学習のライフサイクル管理を加速および簡素化します。管理された MLflow Recipes を使用すると、ML プロジェクトのブートストラップ、迅速なイテレーションを容易に実行し、高品質のモデルを大規模に本番環境に出荷することができます。

実験の追跡

機械学習ライブラリ、フレームワーク、言語を使って実験することができ、各実験のパラメータ、メトリック、コード、およびモデルを自動的に追跡します。Databricks ワークスペースとノートブックの組み込みの統合機能により、Databricks 上でMLflow を使用することで、対応する成果物やコードバージョンも含めた実験結果の安全な共有、管理、比較ができます。

モデル管理

一元的な場所を使用して、機械学習モデルの検出と共有、実験からオンラインでのテストと実稼働への移行に関する共同作業、承認とガバナンスのワークフローと CI/CD パイプラインとの統合、機械学習のデプロイとそのパフォーマンスを監視します。MLflowモデルレジストリを使用することで、専門知識と知識の共有を容易にし、管理を維持できます。

モデルのデプロイ

本番モデルは、Apache Spark™ でバッチ推論を実行するために、または Docker コンテナ、Azure ML、Amazon SageMaker に統合されている組み込み機能を使用する REST API として、迅速にデプロイできます。Databricks 上のマネージド型の MLflow では、Databricks Jobs Scheduler や自動管理クラスターを利用して本番モデルを運用および監視し、ビジネスニーズに応じてスケーリングすることができます。

機能

最新の機能の詳細については、Azure Databricks と AWS の製品ニュースをご覧ください。

MLflow の機能比較

仕組み

MLflow は、機械学習ワークフロー全体を通して任意の ML フレームワークで使用できる、API とユーザーインターフェイスの軽量なセットです。次の 4 つのコンポーネントが含まれます：MLflow 追跡、MLflow プロジェクト、MLflow モデル、MLflow モデルレジストリ

MLflow について詳しくはこちらをご覧ください。