メインコンテンツまでスキップ

MLflow 3.0 (ベータ版) の使用を開始する

備考

ベータ版

この機能は ベータ版です。

この記事では、MLflow 3.0 の使用を開始する方法について説明します。MLflow 3.0 のインストール方法について説明し、開始するためのいくつかのデモ ノートブックが含まれています。また、MLflow 3.0 の新機能について詳しく説明するページへのリンクも含まれています。

MLflow 3.0 とはどのようなもので、既存の MLflow バージョンとどのように異なりますか?​

MLflow3.0 on は、Databricks レイクハウスの機械学習モデル、生成 アプリケーション、エージェントに対して、最先端のエクスペリメントの追跡、可観測性、パフォーマンス評価を提供します。AIDatabricksDatabricks で MLflow 3.0 を使用すると、次のことができます。

  • 開発ノートブックの対話型クエリから本番運用バッチ、またはリアルタイム サービング デプロイまで、すべての環境にわたるモデル、 AI アプリケーション、エージェントのパフォーマンスを一元的に追跡および分析します。

    モデル追跡 UI。

  • Unity Catalog を使用して評価とデプロイのワークフローを調整し、モデル、AI アプリケーション、またはエージェントの各バージョンの包括的なステータスログにアクセスします。

    段階的なロールアウトとメトリクス収集を含む複雑なデプロイ ジョブ。

  • Unity Catalog のモデル バージョン ページと REST APIから、モデル メトリクスとパラメーターを表示してアクセスします。

    複数の実行からのメトリクスを示す Unity Catalog のモデルバージョンページ。

  • すべての Gen AI アプリケーションとエージェントの要求と応答 ( トレース ) に注釈を付け、人間の専門家や自動化された手法 (LLM-as-a-judge など) が豊富なフィードバックを提供できるようにします。このフィードバックを活用して、アプリケーションバージョンのパフォーマンスを評価および比較し、品質を向上させるためのデータセットを構築できます。

    複数のトレースの詳細を示すモデル ページの [トレース] タブ。

これらの機能により、すべての AI イニシアチブの評価、デプロイ、デバッグ、モニタリングが簡素化および効率化されます。

MLflow 3.0 の新機能の多くは、 LoggedModel.LoggedModels は MLflow の実行から生成されます。実行は MLflow の既存の概念であり、モデル コードを実行するジョブと考えることができます。トレーニング実行ではモデルが出力として生成され、評価実行では既存のモデルを入力として使用して、モデルのパフォーマンスを評価するために使用できるメトリクスやその他の情報が生成されます。MLflow 3.0 では、実行によって生成されるモデルの概念が、 LoggedModelと呼ばれる独自の専用オブジェクトに分割されました。LoggedModelは、トレーニングや評価の実行など、さまざまな実行間でモデルのライフサイクルを追跡するために使用されます。詳細については、「MLflow 記録済みモデルを使用したモデルの追跡と比較 (ベータ版)」を参照してください。

MLflow 3.0 では、デプロイ ジョブの概念も導入されています。デプロイ ジョブでは、Databricks ジョブを使用して、評価、承認、デプロイなどの手順を含むモデルのライフサイクルを管理します。これらのモデル ワークフローは Unity Catalog によって管理され、すべてのイベントは Unity Catalog のモデル バージョン ページで使用できるアクティビティ ログに保存されます。

MLflow 3.0 をインストールする​

MLflow 3.0 を使用するには、ホイールを取り付ける必要があります。次のコード行は、ノートブックが実行されるたびに実行する必要があります。

Python
%pip install mlflow  --upgrade --pre
dbutils.library.restartPython()

ノートブックの例​

次のページでは、従来のMLflow ML、ディープラーニング、およびジェネレーション の 3.0モデル追跡ワークフローについて説明します。AI各ページには、サンプルノートブックが含まれています。

次のステップ​

MLflow 3.0 の新機能の詳細については、次の記事を参照してください。

に最終更新