Pular para o conteúdo principal

Início rápido: conecte seu ambiente de desenvolvimento ao MLflow

Esta página mostra como criar um experimento MLflow e conectar seu ambiente de desenvolvimento a ele.

Um experimento MLflow é o contêiner do seu aplicativo gen AI. Saiba mais sobre os experimentos do MLflow no guia de conceito do modelo de dados do experimento.

Vá para a seção relevante ao seu ambiente de desenvolvimento:

  1. Localmente em um IDE ou notebook
  2. Notebook hospedado na Databricks

Ambiente de desenvolvimento local​

Etapa 1: Instalar o MLflow​

Instalar o MLflow com conectividade Databricks:

Bash
pip install --upgrade "mlflow[databricks]>=3.1"

Etapa 2: Criar um experimento MLflow​

  1. Abra o site Databricks workspace.
  2. Na barra lateral esquerda, em AI/ML , clique em Experiments (Experimentos ).
  3. Na parte superior da página Experimentos, clique em GenAI apps & agents .

criar experimento

Etapa 3: configurar a autenticação​

nota

Estas etapas descrevem o uso de tokens de acesso pessoal Databricks. O MLflow também funciona com os outros métodos de autenticação compatíveis com o Databricks.

Escolha um dos seguintes métodos de autenticação:

  1. Em seu experim ento MLflow , clique em Generate API key (Gerar chave ).
  2. Copie e execute o código gerado em seu terminal:
Bash
export DATABRICKS_TOKEN=<databricks-personal-access-token>
export DATABRICKS_HOST=https://<workspace-name>.cloud.databricks.com
export MLFLOW_TRACKING_URI=databricks
export MLFLOW_EXPERIMENT_ID=<experiment-id>

Etapa 4: verifique sua conexão​

Crie um arquivo de teste e execute esse código para verificar sua conexão e log um rastreamento de teste para sua experiência MLflow:

Python
import mlflow
import os

experiment_id = os.environ.get("MLFLOW_EXPERIMENT_ID")
databricks_host = os.environ.get("DATABRICKS_HOST")
mlflow_tracking_uri = os.environ.get("MLFLOW_TRACKING_URI")

if experiment_id is None or databricks_host is None or mlflow_tracking_uri is None:
    raise Exception("Environment variables are not configured correctly.")

@mlflow.trace
def hello_mlflow(message: str):

    hello_data = {
        "experiment_url": f"{databricks_host}/mlflow/experiments/{experiment_id}",
        "experiment_name": mlflow.get_experiment(experiment_id=experiment_id).name,
        "message": message,
    }
    return hello_data

result = hello_mlflow("hello, world!")
print(result)

olá mlflow

Desenvolver em um Notebook hospedado no Databricks​

Etapa 1: Criar um notebook​

A criação de um Databricks Notebook cria um experimento MLflow que é o contêiner do seu aplicativo GenAI. Para saber mais sobre experimentos, consulte o modelo de dados.

  1. Abra o site Databricks workspace.
  2. Vá para Novo na parte superior da barra lateral esquerda.
  3. Clique em Notebook .

Etapa 2: Instalar o MLflow​

Os tempos de execução do Databricks incluem o MLflow, mas para obter a melhor experiência com os recursos do GenAI, atualize para a versão mais recente:

Python
%pip install --upgrade "mlflow[databricks]>=3.1"
dbutils.library.restartPython()

Etapa 3: configurar a autenticação​

Nenhuma configuração de autenticação adicional é necessária ao trabalhar em um Databricks Notebook. O Notebook tem acesso automático ao seu site workspace e ao experimento MLflow associado.

Etapa 4: verifique sua conexão​

Execute esse código em uma célula do Notebook para verificar sua conexão. O senhor verá um rastro MLflow aparecer abaixo da célula do Notebook.

Python
import mlflow
import os

@mlflow.trace
def hello_mlflow(message: str):
    hello_data = {
        "message": message,
    }
    return hello_data

result = hello_mlflow("hello, world!")
print(result)

olá mlflow

Próximas etapas​

Continue sua jornada com estas ações recomendadas e o tutorial.

Guia de referência​

Explore a documentação detalhada dos conceitos e recursos mencionados neste guia.

Última atualização em