Skip to content

MLflow

MLflow est une plateforme d'ingénierie d'IA open-source conçue pour gérer le cycle de vie complet de l'apprentissage automatique, fournissant des outils pour le suivi des expériences, les exécutions reproductibles et le déploiement de modèles.

Gratuit · Web, API

stork0:00 / 0:04
Camille, l'une des 89 voix. Appuyez sur lecture.
Une voix off coûte $0.05 la minute.
Tapez jusqu'à 20 000 caractères, recevez un MP3. 89 voix, 38 langues. Trois gratuites par jour, d'une minute chacune.
Créer une voix off

Qu'est-ce que MLflow ?

MLflow est une plateforme d'ingénierie d'IA open-source développée par la communauté MLflow qui permet aux scientifiques des données, aux ingénieurs ML et aux développeurs de gérer le cycle de vie complet de l'apprentissage automatique. Il fournit des outils pour le suivi des expériences, les exécutions reproductibles et le déploiement de modèles, prenant en charge l'automatisation des tâches post-formation comme le versionnement et l'empaquetage des modèles. La plateforme étend ses capacités aux LLM et aux agents IA, offrant des fonctionnalités d'évaluation, d'observabilité, d'optimisation des invites et de gouvernance. Elle comprend le traçage de qualité production, la gestion des invites et une AI Gateway, ainsi que des outils complets pour la formation et le déploiement de modèles traditionnels. MLflow est largement adopté, avec plus de 60 millions de téléchargements mensuels, et des milliers d'organisations s'y fient pour déployer l'IA en production.

Principales fonctionnalités de MLflow

MLflow fournit une suite complète d'outils pour l'ingénierie de l'IA, englobant à la fois les modèles ML traditionnels et les applications modernes basées sur LLM/agents. Ses composants principaux incluent MLflow Tracking pour l'enregistrement des expériences, MLflow Projects pour l'empaquetage du code, MLflow Models pour la normalisation des formats de modèles, MLflow Model Registry pour le versionnement et MLflow Deployment pour le service des modèles. Les mises à jour récentes, en particulier MLflow 3, ont introduit des améliorations significatives pour l'IA générative.

  • MLflow Tracking : Enregistre et organise les expériences ML, enregistrant les paramètres, les métriques et les artefacts avec une interface utilisateur pour la visualisation.
  • MLflow Projects : Fournit un format standardisé pour l'empaquetage du code ML, favorisant la reproductibilité et la collaboration.
  • MLflow Models : Définit un format standard pour l'empaquetage des modèles ML dans divers frameworks et sert de référentiel.
  • MLflow Model Registry : Gère les versions de modèles et leurs étapes de cycle de vie (par exemple, staging, production) avec des flux de travail d'approbation.
  • MLflow Deployment : Prend en charge le déploiement de modèles vers diverses cibles, y compris les API REST, les plateformes cloud et les environnements conteneurisés.
  • AI Gateway : Fournit un traçage de qualité production, la gestion des invites et des garde-fous pour les applications LLM.
  • Traçage multimodal : Stocke le contenu multimodal (PDF, audio, images) dans des spans de traçage avec un rendu UI riche.
  • Files d'attente de révision pour les traces : Permet d'attribuer des traces à des réviseurs pour un feedback structuré et des annotations de vérité terrain.
  • LLM Playground : Pour itérer sur les invites dans le navigateur par rapport aux points de terminaison de l'AI Gateway et aux versions du Prompt Registry.
  • Intégration Pytest : Permet d'écrire des tests de régression GenAI en tant que fonctions pytest et de réviser les résultats dans l'interface utilisateur.

Qui devrait utiliser MLflow ?

MLflow est conçu pour un large public au sein de l'écosystème de l'IA et de l'apprentissage automatique, y compris les scientifiques des données, les ingénieurs ML, les développeurs et les équipes de recherche. Il prend en charge le cycle de vie complet des modèles ML traditionnels et des applications modernes basées sur LLM/agents, ce qui le rend adapté aux organisations cherchant à rationaliser leurs processus de développement et de déploiement de l'IA.

  • Scientifiques des données : Pour le suivi des expériences, la comparaison de plusieurs expériences de modèles et la visualisation des métriques.
  • Ingénieurs ML : Pour le versionnement des modèles, la gestion des étapes de modèles et le déploiement de modèles dans des environnements de production.
  • Développeurs : Pour l'empaquetage du code ML, garantissant la reproductibilité et l'intégration des modèles ML dans les applications.
  • Équipes de recherche : Pour collaborer sur des projets ML et partager des résultats reproductibles.
  • Ingénieurs IA : Pour le débogage, l'évaluation, la surveillance et l'optimisation des applications LLM et des agents IA de qualité production, y compris la gestion des invites et le contrôle des coûts.

Comment utiliser MLflow

Commencer avec MLflow implique d'installer la plateforme et de l'intégrer dans vos flux de travail d'apprentissage automatique. La plateforme fournit des API et une interface utilisateur pour gérer les expériences, les modèles et les déploiements.

  1. Installer MLflow : Utilisez pip install mlflow pour configurer la bibliothèque principale.
  2. Initialiser le suivi : Configurez MLflow Tracking pour enregistrer les paramètres, les métriques et les artefacts de vos expériences ML.
  3. Empaqueter le code avec MLflow Projects : Définissez votre code ML dans un format standardisé pour la reproductibilité.
  4. Enregistrer les modèles : Utilisez MLflow Model Registry pour versionner et gérer le cycle de vie de vos modèles entraînés.
  5. Déployer les modèles : Utilisez MLflow Deployment pour servir vos modèles en tant qu'API REST ou les intégrer dans diverses plateformes.
  6. Utiliser l'AI Gateway : Pour le développement de LLM et d'agents, configurez l'AI Gateway pour la gestion des invites, le traçage et l'évaluation.

Tarification et plans MLflow

MLflow est une plateforme open-source et est disponible gratuitement. Cela inclut toutes les fonctionnalités de base pour le suivi des expériences, la gestion des modèles et le déploiement. Il n'y a pas de niveaux payants ou de plans d'abonnement directement offerts par le projet MLflow lui-même, bien que des fournisseurs commerciaux puissent proposer des solutions hébergées ou d'entreprise basées sur MLflow.

  • MLflow : Gratuit (noyau open-source)

Points forts

  • Open-source and vendor-neutral under the Apache 2.0 license, preventing vendor lock-in.
  • Comprehensive experiment tracking (MLflow Tracking) for logging parameters, metrics, and artifacts.
  • Supports the full machine learning and generative AI lifecycle, including LLM evaluation and observability.
  • Framework-agnostic, integrating with over 100 ML tools and frameworks like PyTorch, TensorFlow, and scikit-learn.
  • MLflow Model Registry provides centralized model versioning and lifecycle management.
  • MLflow Tracing is fully compatible with OpenTelemetry for enhanced observability.

Points faibles

  • The UI for experiment visualization can be less polished compared to some commercial alternatives like Weights & Biases.
  • Requires self-hosting and infrastructure management, which can be a barrier for smaller teams without dedicated MLOps resources.
  • While modular, integrating all components for a full MLOps pipeline might require more manual configuration compared to opinionated, all-in-one platforms.
  • Native data versioning is not a primary function, requiring integration with tools like DVC for comprehensive data management.

MLflow vs Concurrents

MLflow opère dans un paysage concurrentiel avec plusieurs outils offrant des fonctionnalités similaires ou complémentaires pour le MLOps et l'ingénierie de l'IA. Sa nature open-source et sa gestion complète du cycle de vie le différencient de nombreuses alternatives.

MLflow

Gratuit · Web, API

Cet article vous plaît ? Recevez-en un comme celui-ci chaque matin.

un e-mail par jour · désinscription en deux clics · aucun traqueur tiers