Databricks 23.11.2022, 14:34 Uhr

MLflow 2.0 ist verfügbar

MLflow 2.0 baut auf der starken Plattform von MLflow auf und berücksichtigt umfangreiches Nutzerfeedback, um Data-Science-Workflows zu vereinfachen und innovative, erstklassige Tools für MLOps zu liefern.
(Quelle: databricks.com)
MLflow hat sich mit über 13 Millionen monatlichen Downloads zu einer Standardplattform für End-to-End-MLOps entwickelt, die es Teams erlaubt, jedes Modell für Batch- oder Echtzeit-Inferenz zu verfolgen, zu teilen, zu verpacken und bereitzustellen. Auf Databricks bietet Managed MLflow eine verwaltete Version von MLflow mit Zuverlässigkeit und Sicherheit auf Unternehmensniveau sowie nahtlose Integrationen mit der Databricks Machine Learning Runtime, dem Feature Store und der Serverless Real-Time Inference. Tausende von Unternehmen nutzen MLflow auf Databricks jeden Tag, um eine Vielzahl von Machine-Learning-Anwendungen in der Produktion zu betreiben. Die wichtigsten Updates zusammengefasst:
1. MLflow Recipes beschleunigt die Modellentwicklung: Mit MLflow Recipes können ML-Experten schnell mit vordefinierten Lösungsrezepten für eine Vielzahl von ML-Modellierungsaufgaben beginnen, mit der Recipes-Ausführungs-Engine schneller iterieren und robuste Modelle einfach in die Produktion überführen, indem sie modularen, überprüfbaren Modellcode und Konfigurationen ohne Refactoring bereitstellen.
2. MLflow-Core überarbeitet: Während des Trainings von Modellen, hat jeder erstellte MLflow-Run jetzt einen eindeutigen, einprägsamen Namen, der dabei hilft, die besten Ergebnisse zu identifizieren. Später kann mit den erweiterten MLflow-Suchfiltern ganz einfach eine Gruppe von MLflow-Läufen nach Namen oder ID abgerufen sowie nach Namen und Tags nach Experimenten gesucht werden.
3. MLflow 2.0 enthält eine überarbeitete Integration mit TensorFlow und Keras, die Protokollierungs- und Bewertungsfunktionalitäten für beide Modelltypen hinter einer gemeinsamen Schnittstelle vereint. Das modernisierte mlflow.tensorflow-Modul bietet auch eine angenehme Erfahrung für Power-User mit TensorFlow Core APIs, während die Einfachheit für Data Scientists, die Keras verwenden, erhalten bleibt.
Weitere Informationen finden Sie auf dieser Seite.




Das könnte Sie auch interessieren