Registre des modèles et gestion des versions
Enregistrement des modèles, mise en préproduction ou en production (Staging/Production), alias de modèles, chargement par version.
Registre des modèles et gestion des versions est une leçon Learn AI with Python gratuite sur CoddyKit. Ceci est la leçon 2 sur 4. Tu peux lire la leçon complète ci-dessous gratuitement — puis la pratiquer en direct dans le navigateur avec un éditeur de code intégré et un tuteur IA 24/7. Elle fait partie du parcours d'apprentissage Learn AI with Python, et ta progression se synchronise sur le web et l'application CoddyKit. Le cours Learn AI with Python comprend 4 leçons au total.
Qu'est-ce que le registre des modèles ?
Le registre des modèles MLflow est un espace de stockage central pour vos modèles. Il suit les modèles nommés, leurs versions et les étapes de leur cycle de vie, afin que l'équipe sache toujours quel model est en production et comment il y est arrivé.
Pourquoi la gestion des versions est-elle importante ?
Les modèles sont réentraînés en permanence. La gestion des versions attribue un numéro à chaque réentraînement, permet de revenir instantanément en arrière si un nouveau model se comporte mal et relie chaque version au run qui l'a produite, assurant ainsi une traçabilité complète.
Enregistrer un model
mlflow.register_model prend l'URI d'un model journalisé et un nom, puis crée la version 1 (ou la version suivante) dans le registre.
import mlflow
result = mlflow.register_model(
model_uri="runs:/<run_id>/model",
name="churn_classifier"
)
print("Version:", result.version)Enregistrer au moment de la journalisation
Vous pouvez également enregistrer le model directement lors de sa journalisation en transmettant registered_model_name, ce qui crée automatiquement une nouvelle version à chaque run.
mlflow.sklearn.log_model(
model,
artifact_path="model",
registered_model_name="churn_classifier"
)Étapes du cycle de vie
Chaque version passe par plusieurs étapes : Aucune -> Préproduction (test) -> Production (en service) -> Archivée. Les étapes dissocient « quelle version » de « quelle version est utilisée », de sorte que la promotion soit une modification des métadonnées et non un nouveau déploiement.
Le MlflowClient
Les opérations programmatiques sur le registre passent par MlflowClient.
from mlflow.tracking import MlflowClient
client = MlflowClient()Changer d'étape
transition_model_version_stage promeut une version. Déplacez-la en Préproduction pour la QA, puis en Production une fois qu'elle a été validée.
client.transition_model_version_stage(
name="churn_classifier",
version=3,
stage="Production"
)Charger selon l'étape
Le code de mise en service peut charger « ce qui se trouve en production » sans coder en dur un numéro de version. Ainsi, la promotion d'une nouvelle version met instantanément à jour le contenu fourni.
import mlflow.pyfunc
model = mlflow.pyfunc.load_model(
"models:/churn_classifier/Production"
)Alias de model (MLflow 2.x)
MLflow 2.x a introduit les alias : des pointeurs nommés et modifiables, comme @champion ou @challenger, associés à une version. Ils sont plus flexibles que les noms d'étapes fixes et constituent l'approche moderne recommandée.
client.set_registered_model_alias(
name="churn_classifier",
alias="champion",
version=3
)Charger selon un alias
Référencez un model à l'aide de son alias avec la syntaxe @ ; ainsi, la réaffectation de l'alias à une nouvelle version redirige instantanément tous les consommateurs.
model = mlflow.pyfunc.load_model(
"models:/churn_classifier@champion"
)Étapes ou alias
- Étapes : ensemble fixe (préproduction/production/archivée), cycle de vie simple.
- Alias : n'importe quel nom personnalisé, plusieurs par modèle, approche recommandée dans MLflow 2.x.
Les nouveaux projets devraient privilégier les alias pour plus de flexibilité.
Vérification rapide
Évaluez vos connaissances du registre des modèles.
Récapitulatif
Vous avez utilisé le registre des modèles MLflow : register_model crée les versions, MlflowClient.transition_model_version_stage les fait passer par la préproduction et la production, et vous chargez un model selon son étape ou son alias (MLflow 2.x), de sorte que la mise en service soit mise à jour sans modification du code. Ensuite : créer des pipelines reproductibles.
Questions Fréquemment Posées
La leçon « Registre des modèles et gestion des versions » est-elle gratuite ?
Oui — le texte complet de « Registre des modèles et gestion des versions » est gratuit à lire ici sur le web. Pour la pratiquer de manière interactive (un éditeur de code intégré et un tuteur IA 24/7) et déverrouiller le reste du cours Learn AI with Python, passe à CoddyKit PRO. Le cours Learn AI with Python comprend 4 leçons au total.
Qu'est-ce que j'apprendrai dans « Registre des modèles et gestion des versions » ?
Enregistrement des modèles, mise en préproduction ou en production (Staging/Production), alias de modèles, chargement par version. Tu pratiques Learn AI with Python avec du code pratique que tu exécutes directement dans le navigateur, et un tuteur IA 24/7 répond à tes questions au fur et à mesure que tu avances dans la leçon.
Dois-je avoir de l'expérience pour commencer Learn AI with Python ?
Aucune expérience préalable n'est requise. Learn AI with Python sur CoddyKit est structuré pour les débutants jusqu'aux apprenants avancés, donc tu peux commencer ici ou depuis le début et avancer à ton rythme. Ceci est la leçon 2 sur 4.
Combien de temps prend la leçon « Registre des modèles et gestion des versions » ?
La plupart des leçons CoddyKit prennent environ 5–10 minutes. Chacune est courte et interactive, tu progresses régulièrement et tu repiques exactement où tu t'es arrêté sur le web et l'app.
Peux-tu écrire et exécuter du code dans cette leçon Learn AI with Python ?
Oui. Chaque leçon Learn AI with Python inclut un éditeur de code intégré, tu écris et exécutes du vrai code directement dans ton navigateur et tu reçois des retours IA instantanés — aucune configuration locale requise.
Toutes les leçons de ce cours
- Suivi des expériences avec MLflow
- Registre des modèles et gestion des versions
- Créer des pipelines reproductibles d’apprentissage automatique
- Surveiller les performances d’un modèle en production