Créer des tableaux de bord avec les métadonnées MLflow dans les tables système
Aperçu
Cette fonctionnalité est en aperçu public.
En utilisant les métadonnées MLflow dans les tables système, vous pouvez créer des tableaux de bord pour analyser vos expérimentations et exécutions MLflow depuis l'intégralité du workspace. L'utilisation de l'interface utilisateur MLflow et des API REST existantes pour ces tâches nécessiterait des itérations importantes et chronophages.
Tableau de bord pour les détails d'une seule exécution
Pour start à visualiser vos données MLflow, download ce tableau de bord exemple en tant que fichier JSON et importez-le dans votre Workspace. Ce tableau de bord contient un squelette de données pour reproduire ce qui est affiché sur la page des détails d'exécution dans l'interface utilisateur MLflow.
Pour une ID d'Experimentation, une ID d'exécution et un nom de métrique donnés, il affiche les détails de l'exécution ainsi que les balises, les parameters et un Graphe de métriques. Vous pouvez obtenir l'ID d'Experimentation et l'ID d'exécution à partir de la page des détails d'exécution, à la fois depuis l'interface utilisateur et dans l'URL elle-même : https://<workspace>.databricks.com/ml/experiments/<experiment_id>/runs/<run_id>.
Si vous accédez au panneau du tableau de bord depuis le menu de navigation de gauche, vous pouvez importer le tableau de bord à partir d'une définition de fichier JSON ici. De là, vous pouvez utiliser les champs de saisie en haut pour filtrer la série pertinente et l'Experimentation au sein de votre workspace à tracer. N'hésitez pas à explorer les queries et à modifier les tracés pour répondre à vos besoins.
Tableau de bord pour surveiller l'utilisation moyenne du GPU à travers les Experimentation
Sur le quatrième tab du tableau de bord ci-dessus, vous pouvez saisir un nom de métrique pour obtenir des statistiques récapitulatives pour toutes les expérimentations avec cette métrique dans une fenêtre temporelle donnée. Ces informations peuvent être utiles pour le monitoring des métriques système enregistrées par MLflow dans votre Workspace afin de surveiller l'utilisation inefficace du CPU, de la mémoire ou du GPU.
Dans l'exemple, nous pouvons voir plusieurs expérimentations avec une utilisation moyenne du GPU inférieure à 10 %, que nous pourrions vouloir examiner.