跳到主要内容

MLflow LoggedModel 用于 GenAI 的数据模型

MLflow LoggedModel 代表了一个一级实体，用于在 MLflow 实验中跟踪和管理 AI 模型、智能体和生成式 AI 应用程序。LoggedModel 提供全面的模型生命周期管理，从开发到生产，并集成了可观测性和评估功能。

概述​

LoggedModel 作为核心实体，在一个统一的框架下连接模型工件、执行跟踪、评估指标和元数据，以支持您的 AI 应用程序。

LoggedModel 作为一级实体​

统一模型表示​

LoggedModel 为所有类型的 AI 模型提供单一抽象，从传统机器学习模型到复杂的生成式 AI 智能体和应用程序。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开发、评估和生产阶段，该实体跟踪模型演进、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 设置为活动模型时，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，从而全面了解其行为。

LoggedModel 核心属性​

模型身份​

每个 LoggedModel 都具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​

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 无缝集成 MLflow 的评估框架

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​

活动模型模式启用自动跟踪链接

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 支持系统性版本管理

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 通过以下方式提供全面的模型生命周期管理：全面的跟踪，将所有模型相关实体汇集到一处；集成的可观测性，带有自动跟踪链接和全面监控；支持系统性模型演进和比较的版本控制；以及从开发到生产保持一致性的部署连续性。

增强的开发体验​

LoggedModel 抽象简化了工作流程，开发人员可以专注于模型开发，而 MLflow 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，协作开发允许团队成员轻松共享和审查模型，并且通过集成的指标和评估支持数据驱动的决策。

生产就绪​

LoggedModel 通过以下方式支持生产部署：与服务平台的无缝集成部署、在生产环境中持续可观测的监控集成、跨所有环境的性能跟踪，以及由全面的跟踪和评估支持的快速迭代周期。

LoggedModel 最佳实践​

组织策略​

命名约定应使用描述性强、一致的名称，以反映模型用途和版本信息。参数跟踪必须捕获所有相关的配置参数以确保可复现性。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方案，以支持系统性的模型演进。

开发工作流​

活动模型使用涉及在开发过程中利用活动模型模式进行自动跟踪链接。系统评估要求在部署前实施全面的评估工作流。迭代改进使用评估结果来指导模型增强。协作模式通过共享 LoggedModel 访问实现有效的团队工作流。

生产管理​

监控设置确保全面的生产可观测性。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护标准。回滚规划在需要时为快速模型版本回滚做好准备。

LoggedModel 入门​

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() 实现无缝跟踪链接。
  • 实施评估，使用 MLflow 的评估框架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 的系统测试和质量测量。MLflow UI 导航 帮助您掌握探索 LoggedModel 数据和洞察的界面。

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