O narzędziu
MLflow to platforma open-source (licencja Apache 2.0) do zarządzania cyklem życia modeli uczenia maszynowego. Oferuje śledzenie eksperymentów (logowanie metryk, parametrów i artefaktów), rejestr modeli (wersjonowanie i wdrażanie) i reprodukowalne eksperymenty. Integruje się z PyTorch, TensorFlow, Hugging Face i LangChain. Zarządzana przez Databricks. Standard branżowy w MLOps.
📋
Zastosowanie
- •Śledzenie eksperymentów ML (metryki, parametry, artefakty).
- •Wersjonowanie i rejestracja modeli (model registry).
- •Deployment modeli (REST API, Docker, cloud).
- •Reprodukowalne eksperymenty z MLflow Projects.
- •Zarządzanie pipeline ML end-to-end.
✨
Funkcje dodatkowe
- •MLflow Tracking (experiment logging).
- •MLflow Models (packaging).
- •MLflow Model Registry (versioning).
- •MLflow Projects (reproducibility).
- •MLflow Recipes.
- •LLM evaluation.
- •Prompt engineering tools.
✓ Zalety
+Open-source Apache 2.0, brak vendor lock-in
+Standard branży MLOps, ogromna społeczność
+Experiment tracking, model registry, deployment w jednym
+Integracja z PyTorch, TensorFlow, Hugging Face
✗ Wady
−UI mniej nowoczesny niż W&B
−Self-hosting wymaga konfiguracji
−Mniej dedykowanych funkcji LLM niż W&B Weave
💰
Cennik
- •Open-source: DARMOWY (Apache 2.0, self-hosted).
- •Databricks Managed MLflow: wliczone w Databricks.
- •Community edition: darmowy hosting.
🔗
API i integracje
- •Python SDK.
- •R SDK.
- •Java SDK.
- •REST API.
- •CLI.
- •Integracja z PyTorch, TensorFlow, Keras, Hugging Face, LangChain, OpenAI.
- •Databricks, AWS, Azure, GCP.
Szczegóły
CenaDarmowy (open-source Apache 2.0)
KategoriaDostrajanie Modeli
Open-sourceApache 2.0MLOpsExperiment trackingModel registryDatabricks