MLflow 3.0 の従来の ML ワークフロー (ベータ)

備考

ベータ版

この機能はベータ版です。

ノートブックの例

このサンプルノートブックは、 MLflow ランとして追跡されるモデルトレーニングジョブを実行して、 MLflow 記録済みモデルとして追跡されるトレーニング済みモデルを生成します。

MLflow UI でモデルを探索するには、次のようにします。

ワークスペースのサイドバーでエクス ペリメント をクリックします。
エクスペリメントリストでエクスペリメントを見つけます。 [ 自分のエクスペリメントのみ ] チェックボックスを選択するか、[ フィルターエクスペリメント ] 検索ボックスを使用してエクスペリメントの一覧をフィルター処理できます。
エクスペリメントの名前をクリックします。実行ページが開きます。エクスペリメントには、モデルのトレーニング用とモデルのテスト用の 2 つの MLflow ランが含まれています。
モデル タブをクリックします。この画面では、 LoggedModel (elasticnet)が追跡されます。すべてのパラメーターとメタデータ、およびトレーニングと評価の実行からリンクされたすべてのメトリクスを確認できます。
モデル名をクリックすると、モデルページが表示されます。
Unity Catalogにモデルを登録するノートブック。その結果、すべてのモデルパラメーターとパフォーマンスデータは、カタログエクスプローラーのモデルバージョンページで使用できます。

エクスペリメントページの モデル タブとカタログエクスプローラーのモデルバージョンページには、モデルに関する同様の情報が表示されます。この 2 つのビューは、モデルの開発とデプロイのライフサイクルで異なる役割を果たします。

エクスペリメントページの モデル タブには、エクスペリメントの記録済みモデルの結果を1つのページに掲載しています。このページのチャートタブでは、モデルを比較し、デプロイのために Unity Catalog に登録するモデルのバージョンを選択するのに役立つ視覚化を提供します。
カタログエクスプローラーのモデルバージョンページには、すべてのモデルのパフォーマンスと評価結果の概要が表示されます。このページには、さまざまなワークスペース、エンドポイント、エクスペリメントなど、リンクされたすべての環境にわたるモデルパラメーター、メトリクス、トレースが表示されます。これは、モニタリングとデプロイに役立ち、デプロイジョブで特にうまく機能します。デプロイメント・ジョブの評価タスクは、このページに表示される追加のメトリクスを作成します。ジョブの承認者は、このページを確認して、デプロイのモデルバージョンを承認するかどうかを評価できます。