Взглянем на общий реестр моделей из InfinStor MLflow.

Еще одной важной возможностью MLflow является реестр моделей, который также важен для науки о данных и создания приложений ИИ. Это система, в которой специалисты по данным могут объединять модели и делиться ими с другими участниками.

Управление моделями может быть утомительным на крупных предприятиях с искусственным интеллектом, где есть множество групп моделей и данных. С помощью реестра моделей MLflow специалисты по обработке и анализу данных могут легко внедрять модели и делиться ими с другими сотрудниками своей организации. После того, как специалист по обработке и анализу данных закончит проводить эксперименты, реестр моделей позволяет совместно использовать их в команде.

InfinStor оптимизирует рабочий процесс машинного обучения за счет реализации общего модельного реестра с авторизацией. Вот некоторые концепции модельного реестра.

Компоненты модельного реестра

Запуск моделей в производство — уже медленный процесс, особенно без помощи таких платформ, как InfinStor. Централизованный репозиторий для размещения всех моделей, готовых к производству, может ускорить весь рабочий процесс машинного обучения.

Согласно документации MLflow, компонент реестра модели MLflow представляет собой централизованное хранилище моделей, набор API-интерфейсов и пользовательский интерфейс для совместного управления полным жизненным циклом модели MLflow.

Благодаря реестру модели MLflow каждый может получить доступ к общим данным, версиям и переменным в одном доступном пространстве. Таким образом, он обеспечивает модель управления и безопасности для организаций.

«Компонент MLflow Model Registry — это централизованное хранилище моделей, набор API и пользовательский интерфейс для совместного управления полным жизненным циклом модели MLflow».

Реестр моделей MLflow предоставляет такие функции, как происхождение модели, управление версиями, промежуточное размещение и аннотации.

  • Происхождение модели: время обучения модели и используемые алгоритмы.
  • Управление версиями модели: производительность модели и любые гиперпараметры.
  • Этап модели. Текущий этап модели, позволяющий выполнять переходы.
  • Аннотации: письменные описания наборов данных и методологии.

Пользователи могут зарегистрировать модель в реестре моделей с такими атрибутами, как название модели, версия, дата и т. д. MLflow имеет систему управления версиями для отслеживания версий модели по мере их обновления. Версии полезны для разных уровней рабочего процесса машинного обучения, таких как предопределенная промежуточная фаза MLflow, производственная фаза или архивная фаза.

Специалисты по обработке и анализу данных могут аннотировать модели и редактировать описания, которые могут помочь другим в их организации, имеющим доступ к реестру. Это удобно в MLflow, поскольку он позволяет пользователям поддерживать версии модели, аннотировать разные версии и отслеживать каждую фазу, представленную версиями.

Документацию по реестру модели MLflow можно найти здесь.

Общий реестр моделей

Специалисты по данным могут учиться и вносить свой вклад в коллективные знания, используя работу других сотрудников своей компании и опираясь на нее. Как и в случае с отслеживанием экспериментов, предприятия могут создавать коллективные знания с помощью общего реестра моделей.

Такие сервисы, как InfinStor, созданные для предприятий, использующих ИИ, могут предоставлять общий реестр моделей специалистам по обработке и анализу данных.

Эксперименты по науке о данных создают модели, которые можно зарегистрировать с помощью MLflow в реестре моделей и использовать совместно с очень детальными элементами управления. После того как модель зарегистрирована в реестре моделей, пользователи могут развертывать различные версии модели для производства, пакетного вывода или вывода в реальном времени. Все это управляется очень сложным образом с помощью реестра моделей InfinStor MLflow.

Служба InfinStor MLflow корпоративного уровня включает реализацию реестра общей модели. Это мультитенантная и многопользовательская служба.

1.  In run details, you can see that the run logged a model to MLflow
2. When you press the “Register Model” button, you have the ability to choose a registered model 
3. Shows the drop down with the models that have been registered. You can also create a new registered model
4. I’ve chosen ‘model-3-by-jagane’
5. After the model has been registered, you can see in the run details that the model that was logged to mlflow as part of the run has now been published as version 5 of the registered model model-3-by-jagnae

Вывод

Реестр моделей MLflow необходим для AI/ML, поскольку наличие централизованного и совместного репозитория для моделей машинного обучения необходимо для роста современных предприятий, управляемых ИИ. Возможности реестра моделей MLflow позволяют специалистам по данным совместно работать над моделями с другими сотрудниками организации.

«InfinStor MLflow обеспечивает безопасность и масштабируемость службы MLflow корпоративного уровня».

InfinStor MLflow имеет размещенную службу MLflow с полными возможностями MLflow с открытым исходным кодом, включая отслеживание, проекты и обслуживание.

Вот пара статей от InfinStor с дополнительными подробностями:



Важность отслеживания экспериментов MLflow
MLflow имеет функцию, называемую отслеживанием экспериментов, которая необходима для обработки данных и создания приложений ИИ…medium.com





Многооблачный поток машинного обучения
Служба многооблачного машинного обучения, интегрированная с вычислительным механизмом многооблачного машинного обучения, позволяет проводить эксперименты на различном оборудовании…medium.com



Для получения дополнительной информации о возможностях MLflow и службе InfinStor MLflow посетите наш сайт infinstor.com и следите за нами в LinkedIn и Twitter.

Содержание этой статьи обсуждалось в презентации генерального директора InfinStor Джагана Сундара «MLflow: основная услуга для современного предприятия, использующего ИИ».