Comece a trabalhar com MLflow 3.0 (Beta)
Beta
Esse recurso está na versão beta.
Este artigo ajuda o senhor a começar com MLflow 3.0. Ele descreve como instalar o MLflow 3.0 e inclui vários Notebooks de demonstração para o senhor começar. Ele também inclui links para páginas que abordam o novo recurso do MLflow 3.0 em mais detalhes.
O que é o MLflow 3.0 e qual é a diferença em relação à versão existente do MLflow?
MLflow 3.0 em Databricks oferece acompanhamento de experimentos, observabilidade e avaliação de desempenho de última geração para modelos de aprendizado de máquina, aplicativos generativos AI e agentes no site Databricks lakehouse. Usando o MLflow 3.0 na Databricks, o senhor pode:
-
Rastreie e analise de forma centralizada o desempenho de seus modelos, aplicativos AI e agentes em todos os ambientes, desde consultas interativas em um Notebook de desenvolvimento até lotes de produção ou implantações de tempo real.
-
Orquestre a avaliação e o fluxo de trabalho de implantação usando Unity Catalog e acesse o status abrangente logs para cada versão do seu modelo, aplicativo AI ou agente.
-
visualize e acesse as métricas e os parâmetros do modelo na página da versão do modelo em Unity Catalog e no site REST API.
-
Anotar solicitações e respostas (traces ) para todos os seus aplicativos e agentes gen AI, permitindo que especialistas humanos e técnicas automatizadas (como o LLM-as-a-judge) forneçam feedback rico. O senhor pode aproveitar esse feedback para avaliar e comparar o desempenho das versões do aplicativo e criar um conjunto de dados para melhorar a qualidade.
Esses recursos simplificam e agilizam a avaliação, a implementação, a depuração e o monitoramento de todas as suas iniciativas de AI.
Grande parte da nova funcionalidade do MLflow 3.0 deriva do novo conceito de LoggedModel. LoggedModels são produzidos a partir de MLflow execução. execução são um conceito existente em MLflow e podem ser considerados como trabalhos que executam o código do modelo. A execução do treinamento produz modelos como resultados, e a execução da avaliação usa modelos existentes como entrada para produzir métricas e outras informações que o senhor pode usar para avaliar o desempenho de um modelo. No MLflow 3.0, o conceito de um modelo produzido por uma execução foi separado em seu próprio objeto dedicado chamado LoggedModel. O site LoggedModel é usado para rastrear o ciclo de vida do modelo em diferentes execuções, incluindo treinamento e execução de avaliação. Para obter mais detalhes, consulte Rastrear e comparar modelos usando MLflow modelos logged (Beta).
MLflow O 3.0 também introduz o conceito de implantação Job. Os Jobs de implantação usam os Jobs do Databricks para gerenciar o ciclo de vida do modelo, incluindo etapas como avaliação, aprovação e implantação. Esses modelos de fluxo de trabalho são regidos pelo site Unity Catalog, e todos os eventos são salvos em uma atividade log que está disponível na página da versão do modelo em Unity Catalog.
Instalar o MLflow 3.0
Para usar o MLflow 3.0, o senhor deve instalar a roda. As seguintes linhas de código devem ser executadas sempre que um Notebook for executado:
%pip install mlflow --upgrade --pre
dbutils.library.restartPython()
Exemplo de notebook
As páginas a seguir ilustram o acompanhamento do fluxo de trabalho do modelo MLflow 3.0 para ML tradicional, aprendizagem profunda e AI gen. Cada página inclui um exemplo de Notebook.
- MLflow 3.0 fluxo de trabalho tradicional de ML (Beta).
- MLflow 3.0 aprendizagem profunda fluxo de trabalho (Beta).
- MLflow 3.0 generative AI fluxo de trabalho (Beta).
Próximas etapas
Para saber mais sobre o novo recurso do MLflow 3.0, consulte os artigos a seguir: