Pular para o conteúdo principal

Anexe tags personalizadas//metadados

Anexar par key-value aos rastros para organização, pesquisa e filtragem.

As tags são mutáveis e podem ser atualizadas depois que um rastreamento é registrado. Use tags para informações dinâmicas que podem mudar, como feedback do usuário, status de revisão ou avaliações da qualidade dos dados.

Os metadados são gravados uma vez e imutáveis após o registro. Use metadados para informações fixas capturadas durante a execução, como versão do modelo, ambiente ou configuração do sistema.

Este guia mostra ao senhor como definir e gerenciar metadados e tags.

API / Método

Caso de uso

mlflow.update_current_trace API.

Definir tags ou metadados em um rastreamento ativo durante a execução do código.

MlflowClient.set_trace_tag API.

Defina ou atualize as tags em um rastreamento finalizado.

Interface de usuário do MLflow

Defina ou atualize as tags em um rastreamento finalizado.

Pré-requisitos​

  1. Instale o site MLflow e o pacote necessário

    Bash
    pip install --upgrade "mlflow[databricks]>=3.1.0" openai "databricks-connect>=16.1"

  2. Crie um experimento MLflow seguindo o início rápido de configuração do ambiente.

Configurando metadados em um rastreamento ativo​

Se estiver usando rastreamento automático ou APIs fluentes para criar rastreamentos e quiser adicionar metadados ao rastreamento durante sua execução, o senhor pode usar a função mlflow.update_current_trace.

Por exemplo, o exemplo de código a seguir adiciona os metadados "model_version": "v1.2.3" ao rastreamento criado para a função my_func:

Python
import mlflow

@mlflow.trace
def my_func(x):
    mlflow.update_current_trace(metadata={"model_version": "v1.2.3", "environment": "production"})
    return x + 1

my_func(10)
nota

Os metadados são imutáveis depois de definidos. Se o senhor tentar atualizar os metadados com um key que já existe, as operações serão ignoradas e o valor original permanecerá inalterado.

Configurando tags em um rastreamento ativo​

Se estiver usando rastreamento automático ou APIs fluentes para criar rastreamentos e quiser adicionar tags ao rastreamento durante sua execução, o senhor pode usar a função mlflow.update_current_trace.

Por exemplo, o exemplo de código a seguir adiciona a tag "fruit": "apple" ao rastreamento criado para a função my_func:

Python
@mlflow.trace
def my_func(x):
    mlflow.update_current_trace(tags={"fruit": "apple"})
    return x + 1

my_func(10)
nota

A função mlflow.update_current_trace adiciona a(s) tag(s) especificada(s) ao rastreamento atual quando a key ainda não estiver presente. Se o key já estiver presente, ele atualiza o key com o novo valor.

Definindo tags em um traçado finalizado​

Para definir tags em um rastreamento que já foi concluído e registrado no armazenamento de backend, use o método mlflow.set_trace_tag para definir uma tag em um rastreamento, e o método mlflow.delete_trace_tag para remover uma tag de um rastreamento.

Python
import mlflow

# Create and execute a traced function
@mlflow.trace
def process_data(data):
    return data.upper()

# Execute the function to create a trace
result = process_data("hello world")

# Get the trace_id from the most recent trace
trace_id = mlflow.get_last_active_trace_id()

# Set a tag on the trace
mlflow.set_trace_tag(trace_id=trace_id, key="review_status", value="approved")

# Set another tag
mlflow.set_trace_tag(trace_id=trace_id, key="data_quality", value="high")

# Delete a tag from the trace
mlflow.delete_trace_tag(trace_id=trace_id, key="data_quality")

Definição de tags por meio da interface do usuário do MLflow​

Como alternativa, o senhor pode atualizar ou excluir tags em um rastreamento na interface do usuário do MLflow. Para fazer isso, navegue até o rastreamento tab e clique no ícone de lápis ao lado da tag que deseja atualizar.

Atualização da tag Traces

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