MLflow 3 workflow ML traditionnel

Exemple de Notebook

Le Notebook d'exemple exécute un job d'entraînement de modèle, qui est suivi comme une exécution MLflow, pour produire un modèle entraîné, qui est suivi comme un Modèle MLflow enregistré.

Notebook de modèle ML traditionnel MLflow 3

Ouvrir le notebook dans un nouvel ongletOuvrir dans Databricks

Explorez les paramètres et les performances du modèle à l’aide de l’interface utilisateur MLflow.

Pour explorer le modèle dans l'interface utilisateur MLflow :

1. Cliquez sur **Expérimentations** dans la barre latérale du workspace.

2. Trouvez votre expérimentation dans la liste des expérimentations. Vous pouvez cocher la case Mes expérimentations uniquement ou utiliser la zone de recherche Filtrer les expérimentations pour filtrer la liste des expérimentations.

3. Cliquez sur le nom de votre expérience. La page Exécutions s'ouvre. L'expérimentation contient deux exécutions MLflow, l'une utilisée pour entraîner le modèle et l'autre utilisée pour évaluer le modèle.

   

4. Cliquez sur l'onglet Modèles . Le LoggedModel (elasticnet) est suivi sur cet écran. Vous pouvez voir tous les paramètres et les métadonnées, ainsi que toutes les métriques liées aux exécutions de formation et d'évaluation.

   

5. Cliquez sur le nom du modèle pour afficher la page du modèle, qui contient des informations telles que les paramètres et les métriques du modèle, ainsi que des détails tels que son exécution source, les datasets pertinents et les versions du modèle enregistrées dans Unity Catalog.

   

6. Le Notebook enregistre le modèle dans Unity Catalog. En conséquence, tous les parameters du modèle et les données de performance sont disponibles sur la page de version du modèle dans l'Explorateur de catalogues. Vous pouvez accéder directement à cette page en cliquant sur la version du modèle depuis la page du modèle MLflow. En cliquant sur l'ID du modèle et l'exécution source ici, vous serez redirigé vers les pages du modèle et de l'exécution MLflow respectivement.

   

Quelle est la différence entre l'onglet Modèles de la page d'expérimentation MLflow et la page de version de modèle dans l'Explorateur de catalogues ?

La Models tab de la page d'expérimentation et la page de version de modèle dans l'Explorateur de catalogues affichent des informations similaires sur le modèle. Les deux vues ont des rôles différents dans le cycle de vie du développement et du déploiement du modèle.

• La Models tab de la page d'expérimentation présente les résultats des modèles journalisés d'une expérimentation sur une seule page. La tab Graphiques de cette page fournit des visualisations pour vous aider à comparer les modèles et à sélectionner les versions de modèle à enregistrer dans l'Unity Catalog en vue d'un déploiement éventuel.
• Dans l'Explorateur de catalogues, la page de version du modèle fournit un aperçu de toutes les performances et des résultats d'évaluation du modèle. Cette page affiche les paramètres de modèle, les métriques et les traces de tous les environnements liés, y compris les différents Workspace, Endpoint et Expérimentations. Ceci est utile pour le monitoring et le déploiement, et fonctionne particulièrement bien avec les jobs de déploiement. La tâche d'évaluation d'un job de déploiement crée des métriques supplémentaires qui apparaissent sur cette page. L'approbateur du job peut alors consulter cette page pour déterminer s'il doit approuver la version du modèle pour le déploiement.

Ressources supplémentaires

Pour en savoir plus sur le suivi LoggedModel introduit dans MLflow 3, consultez l'article suivant :

• Suivre et comparer les modèles à l'aide des modèles journalisés MLflow.

Pour en savoir plus sur l'utilisation de MLflow 3 avec les workflows d'apprentissage profond, consultez l'article suivant :

• Workflow de deep learning MLflow 3.