Model Registry und Versionierung
Registrieren von Modellen, Staging (Staging/Production), Modell-Aliase, Laden nach Version.
Model Registry und Versionierung ist eine kostenlose Learn AI with Python-Lektion auf CoddyKit. Dies ist Lektion 2 von 4. Du kannst die komplette Lektion unten kostenlos lesen – dann übst du sie direkt im Browser mit einem integrierten Code-Editor und einem KI-Tutor rund um die Uhr. Sie ist Teil des Learn AI with Python-Lernpfads, und dein Fortschritt wird über Web und CoddyKit-App synchronisiert. Der Learn AI with Python-Kurs umfasst insgesamt 4 Lektionen.
Was ist die Model Registry?
Die MLflow Model Registry ist ein zentraler Speicher für Ihre Modelle. Sie verfolgt benannte Modelle, deren Versionen und Lebenszyklusphasen, sodass ein Team jederzeit weiß, welches Modell in Produktion ist und wie es dorthin gelangt ist.
Warum Versionierung wichtig ist
Modelle werden ständig neu trainiert. Durch die Versionierung erhält jedes erneute Training eine Nummer. So können Sie sofort zurücksetzen, wenn sich ein neues Modell unerwartet verhält, und jede Version lässt sich für eine vollständige Herkunftsverfolgung dem Durchlauf zuordnen, durch den sie erstellt wurde.
Ein Modell registrieren
mlflow.register_model übernimmt eine URI und einen Namen für ein protokolliertes Modell und erstellt Version 1 (oder die nächste Version) in der Registry.
import mlflow
result = mlflow.register_model(
model_uri="runs:/<run_id>/model",
name="churn_classifier"
)
print("Version:", result.version)Bei der Protokollierung registrieren
Sie können ein Modell auch direkt beim Protokollieren registrieren, indem Sie registered_model_name übergeben. Dadurch wird bei jedem Durchlauf automatisch eine neue Version erstellt.
mlflow.sklearn.log_model(
model,
artifact_path="model",
registered_model_name="churn_classifier"
)Lebenszyklusphasen
Jede Version durchläuft mehrere Phasen: None -> Staging (Testen) -> Production (aktiv) -> Archived. Die Phasen entkoppeln die Frage „welche Version?“ von der Frage „welche Version wird bereitgestellt?“. Dadurch ist die Beförderung eine Änderung an Metadaten und kein erneutes Deployment.
Der MlflowClient
Programmgesteuerte Vorgänge in der Registry werden über MlflowClient ausgeführt.
from mlflow.tracking import MlflowClient
client = MlflowClient()Phasen wechseln
transition_model_version_stage befördert eine Version. Verschieben Sie sie für die Qualitätssicherung nach Staging und nach erfolgreicher Validierung nach Production.
client.transition_model_version_stage(
name="churn_classifier",
version=3,
stage="Production"
)Nach Stage laden
Der Bereitstellungscode kann „die aktuelle Version in Production“ laden, ohne eine Versionsnummer fest zu codieren. Wenn Sie eine neue Version befördern, wird dadurch sofort aktualisiert, was bereitgestellt wird.
import mlflow.pyfunc
model = mlflow.pyfunc.load_model(
"models:/churn_classifier/Production"
)Modell-Aliase (MLflow 2.x)
MLflow 2.x führte Aliase ein: veränderbare benannte Verweise wie @champion oder @challenger, die an eine Version angehängt werden. Sie sind flexibler als die festen Phasennamen und stellen den empfohlenen modernen Ansatz dar.
client.set_registered_model_alias(
name="churn_classifier",
alias="champion",
version=3
)Nach Alias laden
Verweisen Sie mit der @-Syntax über seinen Alias auf ein Modell. Wenn Sie den Alias einer neuen Version zuweisen, werden dadurch alle Nutzer sofort auf diese Version umgeleitet.
model = mlflow.pyfunc.load_model(
"models:/churn_classifier@champion"
)Stages im Vergleich zu Aliasen
- Stages: feste Menge (Staging/Production/Archived), einfacher Lebenszyklus.
- Aliases: beliebige benutzerdefinierte Namen, mehrere pro Modell, empfohlen in MLflow 2.x.
Neue Projekte sollten wegen der größeren Flexibilität Aliase bevorzugen.
Schnelltest
Testen Sie Ihr Wissen über die Model Registry.
Zusammenfassung
Sie haben die MLflow Model Registry verwendet: register_model erstellt Versionen, MlflowClient.transition_model_version_stage verschiebt sie durch Staging/Production, und Sie laden Modelle nach Stage oder nach Alias (MLflow 2.x), sodass die Bereitstellung ohne Codeänderungen aktualisiert wird. Als Nächstes folgen reproduzierbare Pipelines.
Häufig gestellte Fragen
Ist die Lektion „Model Registry und Versionierung“ kostenlos?
Ja — der vollständige Text von „Model Registry und Versionierung“ ist hier im Web kostenlos zu lesen. Um sie interaktiv zu üben (integrierter Code-Editor und 24/7 KI-Tutor) und den Rest des Learn AI with Python-Kurses freizuschalten, upgrade auf CoddyKit PRO. Der Learn AI with Python-Kurs umfasst insgesamt 4 Lektionen.
Was lerne ich in „Model Registry und Versionierung“?
Registrieren von Modellen, Staging (Staging/Production), Modell-Aliase, Laden nach Version. Du übst Learn AI with Python mit praktischem Code, den du direkt im Browser ausführst, und ein 24/7 KI-Tutor beantwortet deine Fragen während du die Lektion bearbeitest.
Brauche ich Erfahrung, um Learn AI with Python zu starten?
Keine Vorkenntnisse erforderlich. Learn AI with Python auf CoddyKit ist für Anfänger bis fortgeschrittene Lernende strukturiert, sodass du hier starten oder von Anfang an beginnen und in deinem eigenen Tempo voranschreiten kannst. Dies ist Lektion 2 von 4.
Wie lange dauert die Lektion „Model Registry und Versionierung“?
Die meisten CoddyKit-Lektionen dauern etwa 5–10 Minuten. Jede ist kompakt und interaktiv, sodass du stetig Fortschritte machst und genau dort weitermachst, wo du aufgehört hast – im Web und in der App.
Kann ich in dieser Learn AI with Python-Lektion Code schreiben und ausführen?
Ja. Jede Learn AI with Python-Lektion enthält einen integrierten Code-Editor, sodass du echten Code direkt in deinem Browser schreibst und ausführst und sofort KI-Feedback erhältst — ohne lokale Einrichtung erforderlich.
Alle Lektionen in diesem Kurs
- Experiment-Tracking mit MLflow
- Model Registry und Versionierung
- Reproduzierbare ML-Pipelines erstellen
- Modellleistung in der Produktion überwachen