[PYTHON] Utilisation de MLflow avec Databricks ③ --Gestion du cycle de vie des modèles -

introduction

J'écris sur la façon d'utiliser MLflow, qui est une source ouverte pour gérer le cycle de vie des modèles d'apprentissage automatique, sur l'interface utilisateur de Databricks.

Utilisation de MLflow avec Databricks ① - Suivi expérimental sur notebook- Utilisation de MLflow avec Databricks ② --Visualisation des paramètres expérimentaux et des métriques-

Ceci est une suite de cet article. MLflow géré par Databricks permet également la mise en scène de modèles entraînés sur l'interface utilisateur. Cette fois, j'écrirai à ce sujet.

Enregistrement du modèle

C'est un écran de comparaison de chaque expérience de l'article précédent. Supposons que vous êtes sur le point de déplacer le modèle le plus à gauche d'ici à la production. Accédez à la page individuelle à partir de l'ID d'exécution. image.png

Accédez à la page individuelle et faites défiler vers le bas. Si vous sélectionnez l'artefact «modèle», «Register Model» s'affiche. Cliquez dessus. image.png

Entrez le modèle et le nom du modèle et enregistrez-vous. Si vous créez un modèle pour la première fois, vous pouvez uniquement sélectionner «+ Créer un nouveau modèle», mais si vous avez un modèle enregistré, vous pourrez sélectionner ce modèle. Dans ce cas, il sera enregistré comme une version différente du modèle existant. image.png

Une fois inscrit, vous pourrez accéder aux pages individuelles du modèle. Vous pouvez le déplacer de la partie où le nom et la version du modèle sont écrits sur le côté droit de l'écran, ou de "Modèles" sur la barre latérale gauche. Cette fois, nous passerons de la barre latérale. image.png

Le modèle et la version enregistrés sont affichés. Cliquez sur la version qui gère le cycle de vie. image.png

La gestion du cycle de vie

Vous pouvez accéder à la page individuelle de l'ID d'exécution correspondant à partir de "Source Run" de la page individuelle. Je souhaite effectuer une mise en scène immédiatement. image.png

Lorsque vous cliquez sur la partie de la scène, vous pouvez sélectionner l'état de la scène modifié dans le menu déroulant. Il existe trois types d'étapes: «Mise en scène», «Production» et «Archivé». Vous pouvez choisir de demander chaque demande, puis de la modifier ou de la modifier directement. image.png

Cette fois, sélectionnez "Demander la transition vers → Staging". Ajoutez un commentaire et ok. image.png

La demande est affichée dans la section "Demandes en attente". Les membres qui ont accès à ce modèle pourront approuver ou rejeter. (La personne qui a fait la demande peut également annuler.) Essayez d'approuver. image.png

Ajoutez un commentaire et confirmez. image.png

Il a disparu des demandes en attente et Stage passe à "Staging". image.png

Faites défiler vers le bas pour voir l'historique. image.png

en conclusion

Cette fois, j'ai écrit sur la gestion du cycle de vie des modèles. La prochaine fois, j'aimerais écrire sur l'appel du modèle lorsque le modèle à mettre en production est créé.

Recommended Posts

Utilisation de MLflow avec Databricks ③ --Gestion du cycle de vie des modèles -
Utiliser MLflow avec Databricks ④ --Call model -
Utilisation de MLflow avec Databricks ① - Suivi expérimental sur notebook -
Utilisation de MLflow avec Databricks ② --Visualisation des paramètres expérimentaux et des métriques -
Utilisation de Python et MeCab avec Azure Databricks
Apprentissage automatique avec des images de catégorie Caffe -1 à l'aide du modèle de référence
[Résumé] Modèle de détection d'objets utilisant Transformer "Détection d'objets de bout en bout avec des transformateurs"
Gestion de routine avec calendrier
Régression avec un modèle linéaire