Ajoutez une ressource d'expérimentation MLflow à une application Databricks.

Ajoutez les expérimentations MLflow en tant que ressources Databricks Apps pour activer le suivi des expérimentations pour vos applications d'IA, agents, LLM et modèles ML. Les expérimentations MLflow offrent un moyen structuré d'organiser et de Log les exécutions, de suivre les paramètres, les métriques et les artefacts tout au long du cycle de vie du développement d'applications d'IA.

Lorsque vous ajoutez une expérimentation MLflow en tant que ressource, votre application peut :

• Déboguer les agents et les applications LLM avec les traces d'exécution
• Évaluez la qualité des applications agent et LLM avec des scorers
• Gérer et versionner les templates de prompt pour les applications LLM
• Log les exécutions d'entraînement des modèles ML avec des paramètres, des métriques et des artefacts.
• Récupérer les données d'Experimentation, les métadonnées et l'historique des exécutions

Ajouter une Ressource d'Experimentation MLflow

Avant d'ajouter une Expérimentation MLflow en tant que Ressource, consultez les conditions préalables aux ressources d'application.

1. Dans la section **Ressources de l'application**, lorsque vous créez ou modifiez une application, cliquez sur **+ Ajouter une ressource** > **Expérimentation MLflow**.

2. Choisissez une Expérimentation MLflow parmi la liste des expérimentations disponibles dans votre Workspace.

3. Sélectionnez le niveau d’autorisation approprié pour votre application :

   • « Peut lire » : Accorde à l'application la permission de visualiser les métadonnées de l'expérimentation, les exécutions, les paramètres et les métriques. À utiliser pour les applications qui affichent les résultats de l'expérimentation.
   • Modification autorisée : octroie à l'application l'autorisation de modifier les paramètres d'Experimentation et les métadonnées.
   • Peut gérer : accorde à l’application un accès administratif complet à l’experimentation.

4. (Facultatif) Spécifiez une clé de ressource personnalisée, qui est la façon dont vous référencez l'expérimentation dans la configuration de votre application. La clé default est experiment.

Lorsque vous ajoutez une ressource d'expérimentation MLflow :

• Databricks accorde au service principal de votre application les autorisations spécifiées sur l'expérimentation sélectionnée.
• L'application peut log les exécutions d'entraînement et accéder aux données d'expérimentation via l'API MLflow Tracking.
• L'accès est limité à l'expérimentation sélectionnée uniquement. Votre application ne peut pas accéder à d'autres expérimentations à moins que vous ne les ajoutiez en tant que ressources distinctes.

Variables d'environnement

Lorsque vous déployez une application avec une ressource d'expérimentation MLflow, Databricks expose l'ID de l'expérimentation via des variables d'environnement que vous pouvez référencer à l'aide du champ valueFrom dans votre configuration app.yaml.

Exemple de configuration :

YAML

env:
  - name: MLFLOW_EXPERIMENT_ID
    valueFrom: experiment # Use your custom resource key if different

Utilisation de l'ID d'Experimentation dans votre application :

Python

import os
import mlflow

# Access the experiment using the injected environment variable
experiment_id = os.getenv("MLFLOW_EXPERIMENT_ID")

# Set the experiment for tracking
mlflow.set_experiment(experiment_id=experiment_id)

# Log parameters and metrics
with mlflow.start_run():
    mlflow.log_param("learning_rate", 0.01)
    mlflow.log_metric("accuracy", 0.95)
    mlflow.log_artifact("model.pkl")

Pour plus d'informations, consultez Accéder aux variables d'environnement depuis les ressources.

Supprimer une ressource d'Experimentation MLflow

Lorsque vous supprimez une ressource d’expérimentation MLflow d’une application, le Service Principal de l’application perd l’accès à l’expérimentation. L’expérimentation elle-même reste inchangée et continue d’être disponible pour les autres utilisateurs et applications qui disposent des autorisations appropriées.

Bonnes pratiques

Suivez ces meilleures pratiques lorsque vous travaillez avec les ressources d'Expérimentation MLflow :

• Organisez les expérimentations logiquement par projet ou type de modèle pour améliorer la découvrabilité.
• Utilisez des conventions de nommage cohérentes pour les exécutions et les parameters au sein de votre organisation.
• Tenez compte des politiques de rétention des expérimentations et de la gestion du stockage pour les projets à long terme.