Eine Modellsignatur und ein Schema definieren

Die Signatur eines Modells legt genau fest, welche Eingaben es erwartet und welche Ausgaben es zurückgibt. Sie ist der Vertrag des Modells. 📜

Mit einem klaren Schema wissen Aufrufer, welche Spalten und Datentypen sie senden müssen. Ungültige Eingaben werden früh erkannt, statt erst bei der Vorhersage einen Fehler zu verursachen.

Eine Signatur besteht aus zwei Teilen: dem Eingabeschema, das jedes Feature beschreibt, und dem Ausgabeschema, das die Form der Vorhersage beschreibt.

Tabellarische Modelle verwenden ein Spalten-Schema aus benannten Feldern mit festgelegten Datentypen. Bild- oder Textmodelle verwenden häufig ein Tensor-Schema aus Formen und Dtypes.

Am einfachsten geht das mit infer_signature: Übergeben Sie Beispiel-Eingaben und -Ausgaben, und MLflow ermittelt das Schema für Sie.

Übergeben Sie die abgeleitete Signatur an log_model, damit sie direkt in der MLmodel-Datei des Modells gespeichert wird.

Wenn Sie zusätzlich ein input_example protokollieren, erhalten Teammitglieder ein kopierbares Beispiel für gültige Eingaben, und Tools können korrekte Anfragen erstellen.

Beim Bereitstellen des Modells prüft MLflow jede Anfrage anhand des Schemas und lehnt Eingaben mit dem falschen Typ oder fehlenden Feldern ab. 🛡️

MLflow kann sichere Typen stillschweigend erweitern, etwa int zu long, blockiert aber verlustbehaftete Änderungen, damit Ihr Modell niemals beschädigte Daten erhält.

Sie können Felder als optional markieren. Zusätzliche, unerwartete Spalten werden verworfen, sodass geringfügige Änderungen an den Eingaben das Serving nicht beeinträchtigen.

Die Signatur dient zugleich als Dokumentation: Öffnen Sie die MLmodel-Datei, und Sie sehen sofort den vollständigen Eingabe- und Ausgabe-Vertrag des Modells.

Eine Signatur ist der Eingabe- und Ausgabe-Vertrag Ihres Modells: Leiten Sie sie ab, protokollieren Sie sie zusammen mit einem Beispiel, und lassen Sie MLflow sie beim Serving durchsetzen. 🎉