MLOps の分野が拡大するにつれ、データ実務家は、ML ライフサイクルを簡素化し、プロセスをより厳密で再現可能なものにする MLflow のようなツールとともに、できるだけ少ない摩擦でモデルをトレーニング、テスト、デプロイできる統一されたオープンな機械学習プラットフォームの必要性を感じています。

実際の機械学習のユースケースを使用して、MLflow がどのようにエンドツーエンドの ML ワークフローを簡素化し、効率化するかをご覧いただけます。Databricks 上の MLflow を使用すると、MLflow 追跡サーバーを使用して、データを通じて実行された各モデルトレーニングを自動的に追跡し、カタログ化することができます。このデモでは、MLflow プロジェクトがどのように ML モデルとトレーニング環境をユニバーサルなプロジェクト形式に整然とパッケージ化するか、また、MLflow モデルレジストリがどのように ML モデルをテスト環境とステージング環境をとおして本番環境に、Databricks 内から直接導入するかについても紹介します。