Installer MLflow et commencer le suivi

Vous exécutez des dizaines d'expériences et oubliez quels réglages ont donné le meilleur score. MLflow enregistre chaque exécution afin qu'aucun résultat ne soit plus jamais perdu.

MLflow n'est qu'un paquet Python. Une seule commande pip install vous fournit la bibliothèque, une API de suivi et une interface web intégrée pour parcourir les exécutions.

Le serveur de suivi est l'endroit où les exécutions sont stockées. Lancez-en un localement : il fournit une API ainsi qu'un tableau de bord sur le port 5000.

Indiquez à MLflow où se trouve le serveur avec set_tracking_uri. Ensuite, chaque exécution que vous consignez est envoyée à ce serveur.

Une exécution correspond à une exécution de votre code d'entraînement. Elle regroupe les paramètres que vous avez choisis, les métriques obtenues et les fichiers enregistrés.

Encadrez votre entraînement avec start_run. MLflow ouvre une exécution, lui attribue un ID unique et la ferme proprement à la fin du bloc.

Une expérience est un dossier nommé pour des exécutions liées. Définissez-en une afin que toutes vos tentatives de modèle de désabonnement soient regroupées au lieu d'être dispersées.

En coulisses, MLflow écrit les métadonnées des exécutions dans un stockage dorsal, comme une base de données SQLite ou Postgres, afin qu'elles survivent aux redémarrages.

Pas encore de serveur ? MLflow utilise un dossier mlruns local comme solution de repli. C'est idéal pour des tests rapides, mais un serveur partagé convient mieux aux équipes.

Parcourez tout ce que vous avez consigné dans l'interface MLflow. Visitez simplement l'URL du serveur dans un navigateur pour voir vos exécutions sous forme de tableau triable.

Le suivi est le fondement du MLOps. Une fois chaque exécution capturée, vous pouvez comparer, reproduire et promouvoir les modèles en toute confiance.

Vous avez installé MLflow, démarré un serveur de suivi, pointé votre code vers celui-ci et ouvert une exécution. Chaque expérience dispose désormais d'un emplacement dédié. ✅