Mlflow administré

MLFLOW TRACKING

MLflow Tracking : Enregistrez automatiquement les paramètres, versions du code, indicateurs et artefacts de chaque exécution avec Python, REST, l'API R et l'API JAVA.

DÉVELOPPEMENT DE L’IA GÉNÉRATIVE : Simplifiez le développement de modèles pour créer des applications GenAI pour une variété de cas d’utilisation tels que les chatbots, le résumé de documents, l’analyse des sentiments et la classification avec le serveur de déploiements et l’interface utilisateur d’évaluation de MLflow, pris en charge par une intégration native avec LangChain et une interface utilisateur transparente pour un prototypage et une itération rapides.

Serveur MLflow Tracking : Démarrez rapidement avec un serveur de suivi inclus permettant d'enregistrer toutes vos exécutions et expériences en un seul et même endroit. Aucune configuration n'est requise sur Databricks.

Expérimentation MANAGEMENT : Créez, sécurisez, organisez, recherchez et visualisez l’expérimentation depuis l’Espace de travail avec le contrôle d’accès et les requêtes de recherche.

BARRE LATÉRALE D’EXÉCUTION MLFLOW : Effectuez automatiquement le suivi des exécutions à partir de Notebook et capturez un instantané de votre Notebook pour chaque exécution afin de pouvoir toujours revenir aux versions précédentes de votre code.

Journalisation des données des exécutions : Enregistrez les paramètres, jeux de données, indicateurs, artefacts, etc. en tant qu'exécutions, que ce soit dans des fichiers locaux, dans une base de données compatible SQLAlchemy ou encore à distance sur un serveur de suivi.

Intégration Delta Lake : Effectuez le suivi des jeux de données à grande échelle qui ont servi à alimenter vos modèles grâce aux instantanés Delta Lake.

Banque d'artefacts : Stockez des fichiers volumineux tels que des buckets Amazon S3 buckets, des systèmes de fichiers NFS partagés et des modèles sur Amazon S3, Azure Blob Storage, Google Cloud Storage, un SFTP, NFS ou via des chemins de fichiers locaux.

MLflow Models

MLflow Models : Format standard d'empaquetage des modèles de machine learning utilisable avec divers outils en aval tels que la diffusion en temps réel par une API REST ou l'inférence par batch sous Apache Spark.

Personnalisation de modèles : Utilisez des modèles Python personnalisés et des saveurs personnalisées pour vos modèles à partir d'une bibliothèque ML non explicitement prise en charge par les saveurs intégrées à MLflow.

intégré SAVEURS DE MODÈLE : MLflow fournit plusieurs versions standard qui pourraient être utiles dans vos applications, comme les fonctions Python et R, Hugging Face, OpenAI et LangChain, PyTorch, Spark MLlib, TensorFlow et ONNX.

OUTILS DE DÉPLOIEMENT INTÉGRÉS : déployez rapidement sur Databricks via Apache Spark UDF dans le cas d'une machine locale, ou dans plusieurs autres environnements de production comme Microsoft Azure ML, Amazon SageMaker, et créez des images Docker Images à déployer.

MLflow Model Registry

CENTRAL repository: Enregistrez MLflow modèles avec le MLflow Model Registry. Un modèle enregistré possède un nom, une version, une étape et d’autres métadonnées uniques.

Contrôle de version des modèles : Conservez automatiquement la trace des versions des modèles enregistrés lors de leur mise à jour.

STADES DE MODÈLES : assignez des étapes prédéfinies ou personnalisées à chaque version de modèle, telle que « pré-production » ou « production » pour représenter le cycle de vie d'un modèle.

Intégrations de workflows CI/CD : Enregistrez les transitions entre les stades, demandez, évaluez et approuvez des changements dans le cadre de pipelines CI/CD pour un contrôle et une gouvernance optimisés.

Transitions entre stades de modèles : Conservez les nouveaux événements d'enregistrement ou leurs modifications sous forme d'activités gardant automatiquement une trace des utilisateurs, changements et nouvelles métadonnées telles que les commentaires.

Serveur de déploiements MLflow

RÉGIR L’ACCÈS AUX LLM : Gérez les informations d’identification SaaS LLM.

MAÎTRISER LES COÛTS : Définissez des limites de débit.

STANDARDISER LLM INTERACTIONS : Expérimentation de différents LLM OSS/SaaS avec des interfaces d’entrées/sorties standard pour différentes tâches : complétions, chat, embeddings.

MLflow Projects

PROJETS MLFLOW : les projets MLflow permettent de préciser l'environnement logiciel à utiliser pour exécuter votre code. À ce jour, MLflow prend en charge les environnements de projet suivants : Conda, conteneurs Docker et environnement système. Tout dépôt Git ou répertoire local peut être traité en tant que projet MLflow.

Mode d'exécution à distance : Exécutez des projets MLflow à distance depuis Git ou des sources locales sur des clusters Databricks à l'aide de la ligne de commande Databricks et adaptez ainsi rapidement votre code à n'importe quelle échelle.

Recette MLflow

UN DÉMARRAGE SIMPLIFIÉ : les recettes MLflow fournissent des composants connectés prêts à l'emploi pour créer et déployer des modèles de ML.

ITÉRATION DE MODÈLES ACCÉLÉRÉE : les recettes MLflow découpent l'itération des modèles en étapes standardisées et réutilisables, ce qui rend le processus plus rapide et réduit son coût.

TRANSMISSION AUTOMATISÉE D'UNE ÉQUIPE À L'AUTRE : une structure articulée fournit du code modulaire prêt à mettre en production pour automatiser le passage de l'expérimentation à la production.