MLflow — MLflow

Открытая платформа для трекинга, упаковки и регистрации моделей.

Ключевые тезисы

Tracking, Projects, Models и Model Registry — четыре компонента.
Единый формат упаковки позволяет деплоить модель разными способами.
Registry ведёт стадии: staging, production, archived.

Подробный разбор

2 подтем — раскройте любую, чтобы увидеть объяснение, формулы, примеры и интерактивные графики.

Четыре компонента

Tracking, Projects, Models, Registry.

Компонент	Задача
Tracking	логирование параметров, метрик и артефактов
Projects	воспроизводимый запуск с описанием окружения
Models	единый формат упаковки для разных способов деплоя
Registry	версии, стадии (staging / production) и переходы между ними

Registry — то, что превращает набор экспериментов в управляемый процесс: у каждой продовой модели есть версия, автор, метрики и возможность отката одним действием.

Работа с Model Registry

Как выглядит путь модели до прода.

Успешный run регистрирует модель как новую версию.
Автотесты проверяют контракт входа-выхода и метрики на эталонном наборе.
Версия переводится в staging, где идёт shadow-прогон на реальном трафике.
После проверки — переход в production; предыдущая версия остаётся доступной для отката.

Связанные темы

Доставка модели в прод · Воспроизводимость

Model Versioning96%

Версионирование моделей · MLOps

Каждая обученная модель — артефакт с версией, метриками и происхождением.

CI/CD for ML85%

CI/CD для ML · MLOps

Автоматизация проверок и выката: тесты кода, тесты данных, обучение и релиз модели по одной кнопке.

Model Deployment85%

Деплой моделей · MLOps

Доставка модели пользователю: онлайн-сервис, батч-скоринг или встраивание в приложение.

Serving Architecture85%

Архитектура инференса · Системный дизайн ML-сервисов

Модель внутри приложения, отдельный сервис или платформа инференса — три уровня связанности.

Production ML85%

ML в продакшене · Практика ML

Модель в проде — это сервис с SLA, мониторингом, версионированием и планом отката.

Experiment Tracking75%

Трекинг экспериментов · MLOps

Фиксация параметров, метрик, артефактов и версии кода для каждого запуска.

Data Versioning75%

Версионирование данных · MLOps

Данные меняются чаще кода — без их версий эксперимент не воспроизвести.

ML Pipelines75%

ML-пайплайны · MLOps

Оформление обучения как воспроизводимой последовательности шагов вместо разрозненных ноутбуков.

Ablation studies75%

Абляционные исследования · Оценка моделей

Поочерёдное отключение компонентов, чтобы понять, что именно даёт прирост качества.