跳到主要内容

用于生成式 AI 的 MLflow LoggedModel 数据模型

MLflow **LoggedModel** 代表了一个用于在 MLflow 实验中跟踪和管理 AI 模型、代理和生成式 AI 应用程序的一等实体。LoggedModel 提供了从开发到生产的全面模型生命周期管理，并集成了可观测性和评估功能。

概述​

LoggedModel 是一个中心实体，它在一个统一的框架下，为您的 AI 应用程序连接了模型工件、执行跟踪、评估指标和元数据。

LoggedModel 作为一等实体​

统一模型表示​

LoggedModel 为所有类型的 AI 模型提供单一抽象，从传统的机器学习模型到复杂的生成式 AI 代理和应用程序。每个 LoggedModel 都维护其自身的身份、元数据和执行历史。

集成生命周期管理​

LoggedModel 通过一个统一的实体连接了开发、评估和生产阶段，该实体跟踪模型的演变、性能指标和部署状态。

全面的可观测性​

当使用 mlflow.set_active_model() 将 LoggedModel 设置为活动状态时，MLflow 会自动将所有执行跟踪、评估结果和性能指标链接到该模型，从而提供对其行为的全面可见性。

LoggedModel 核心属性​

模型身份​

每个 LoggedModel 都有唯一的标识和组织属性

模型工件和配置​

LoggedModel 存储全面的模型信息

LoggedModel 与跟踪的关系​

自动跟踪链接​

当启用自动日志记录时，所有执行跟踪都会自动链接到活动的 LoggedModel

跟踪管理​

LoggedModel 提供全面的跟踪组织和分析

LoggedModel 评估集成​

指标和评估​

LoggedModel 与 MLflow 的评估框架无缝集成

指标存储和显示​

评估指标直接与 LoggedModel 相关联

LoggedModel 创建模式​

创建方法​

LoggedModel 可以通过多种方法创建

活动模型模式​

活动模型模式支持自动跟踪链接

LoggedModel 生命周期管理​

从开发到生产​

LoggedModel 支持完整的 AI 模型生命周期

版本管理​

LoggedModel 支持系统化的版本管理

LoggedModel UI 集成​

用户界面功能​

LoggedModel 提供全面的 UI 集成

以 LoggedModel 为中心的组织优势​

统一模型管理​

LoggedModel 通过全面的跟踪，将所有与模型相关的实体集中到一处，提供全面的模型生命周期管理；通过自动跟踪链接和全面监控实现集成式可观测性；通过支持系统化模型演进和比较的版本控制；以及通过保持从开发到生产的一致性来确保部署的连续性。

增强的开发体验​

LoggedModel 抽象简化了工作流程，开发者可以专注于模型开发，而 MLflow 会自动处理跟踪。全面的可见性提供了对模型行为和性能的完整洞察，协作开发使团队成员能够轻松共享和审查模型，而集成的指标和评估则支持数据驱动的决策。

生产就绪​

LoggedModel 通过与服务平台的无缝部署、在生产中持续提供可观测性的监控集成、跨所有环境的性能跟踪以及由全面跟踪和评估支持的快速迭代周期来支持生产部署。

LoggedModel 最佳实践​

组织策略​

命名约定应使用描述性、一致的名称，以反映模型目的和版本信息。参数跟踪必须捕获所有相关的配置参数以实现可复现性。元数据管理应包括全面的标签和描述，以便于模型发现。版本策略需要清晰的版本控制方案，以支持系统化的模型演进。

开发工作流​

活动模型的使用涉及利用活动模型模式，在开发期间进行自动跟踪链接。系统化评估要求在部署前实施全面的评估工作流。迭代改进利用评估结果来指导模型增强。协作模式通过共享的 LoggedModel 访问，实现高效的团队工作流。

生产管理​

监控设置确保全面的生产可观测性到位。性能跟踪监控所有部署环境中的关键指标。质量保证通过持续评估来维持标准。回滚计划为需要时快速回滚模型版本做好准备。

开始使用 LoggedModel​

为您的 AI 应用程序创建和使用 LoggedModel 涉及几个简单的步骤

  • 创建您的第一个 LoggedModel，通过使用 mlflow.flavor.log_model() 或 mlflow.create_external_model()，并提供描述性名称和全面的参数。
  • 启用自动跟踪，通过 mlflow.set_active_model() 和 mlflow.flavor.autolog() 实现无缝的跟踪链接。
  • 实施评估，使用 MLflow 的评估框架来系统地评估模型性能。
  • 监控和迭代，通过分析跟踪和指标来指导持续改进。

后续步骤​

跟踪管理 提供了关于捕获和分析与 LoggedModel 链接的执行跟踪的详细指导。评估工作流 解释了 LoggedModel 的系统化测试和质量测量。MLflow UI 导航 帮助您掌握用于探索 LoggedModel 数据和见解的界面。

MLflow LoggedModel 为全面的 AI 模型生命周期管理提供了基本框架，实现了高质量 AI 应用程序的系统化开发、评估和部署。