MLflow 项目是机器学习社区的基石。它高度灵活，使机器学习工作流程更具可重现性、更易管理和协作。
MLflow 的一个关键部分是实验跟踪，即用于记录和查询实验的系统。开发人员可以记录参数、指标、输入和工件，以跟踪不同的实验运行，将它们存储到数据库中，然后比较结果。
MLflow 中的实验跟踪是用 Python 编写的，在处理海量数据时存在性能限制。在G-Research，两个月内处理 10TB 数据量的情况并不少见。在这种情况下，我们的研究人员可能会因为系统执行操作所需的时间过长而感到沮丧。
为了解决这个问题，我们拆解了 MLflow 的组成部分，并很快看到了系统可以改进的地方——它的后端。对于我们必须执行的庞大操作数量，用 Python 脚本编写的数据库根本无法满足需求。我们开始设想用另一个后端替换实验跟踪。这一思路演变成了名为 FastTrackML 的项目。
Fasttrack ML
Fasttrack ML 在 G-Research 取得了巨大成功，因为它在 Go 中的实现速度明显更快，并且能够处理高容量数据。选择 Go 是因为其并发模型基于轻量级的 Goroutine 和 Channel，这使其在处理多个并发任务（例如，记录实验数据、处理用户请求）方面极其高效。Go 是一种编译型语言，生成本地机器代码，与解释型语言 Python 相比，执行速度更快。Go 是静态类型的，与 Python 的动态类型相比，内存使用效率更高。
FastTrackML 的成功在一定程度上解锁了 MLflow 在 G-Research 内部的使用。它使量化研究人员能够在合理的时间范围内处理他们的数据集和实验跟踪。
回到 MLflow
然后，G-Research 的开源团队着手将从 FastTrackML 中学到的经验教训融入到 MLflow 本身中——mlflow-go 项目是朝着这个方向迈出的第一步。它是一个 Python 包，旨在成为 MLflow 实验跟踪服务器的直接替代品。一旦 mlflow-go 包被证明是一项成熟的技术，我们希望它能被 MLflow 吸收。
开始使用 mlflow-go 就像安装 MLflow 一样简单，只需运行 pip install mlflow-go-backend，然后在从命令行运行时将 mlflow 替换为 mlflow-go。这将启动一个 Go Web 服务器，其 API 与 mlflow REST API 完全相同。
在撰写本文时，用户需要将数据库连接字符串作为 '--backend-store-uri' 参数传递，因为 Go 实现目前仅支持数据库。考虑到使用 mlflow-go 的目的是为了性能，使用一个实际的生产级数据库而不是文件系统是合理的。
总结
虽然我们在 MLflow-go 中构建的后端对于某些大数据应用性能更高，但这并不一定意味着它会取代现有的 Python 实现。由于 Databricks 内部的 MLflow 维护者并非专门的 Golang 开发人员，mlflow-go 在被广泛采用之前必须发展自己的用户群和活跃贡献者社区。
我们发现 G-Research 非常喜欢 MLflow，但需要它性能更高，特别是对于大型数据集。我们预计其他组织，尤其是有大量数据处理需求的组织，也遇到了类似的问题。我们渴望了解我们的努力是否让其他人受益，因此请通过 GitHub 或 Slack 告诉我们您如何使用 MLflow 以及 FastTrackML 对您来说是否更快。