Registri dan Penerapan Versi Model
Mendaftarkan model, tahap penerapan (Staging/Production), alias model, memuat berdasarkan versi.
Registri dan Penerapan Versi Model adalah pelajaran Learn AI with Python gratis di CoddyKit. Ini adalah pelajaran 2 dari 4. Kamu bisa membaca pelajaran lengkapnya di bawah secara gratis — lalu praktikkan langsung di browser dengan editor kode bawaan dan tutor AI 24/7. Ini adalah bagian dari jalur belajar Learn AI with Python, dan progresmu tersinkronisasi di web dan aplikasi CoddyKit. Kursus Learn AI with Python mencakup 4 pelajaran total.
Apa Itu Registri Model?
Registri Model MLflow adalah penyimpanan pusat untuk model Anda. Registri ini melacak model bernama, versinya, dan tahap siklus hidupnya sehingga tim selalu mengetahui model mana yang sedang digunakan di produksi dan bagaimana model itu sampai di sana.
Mengapa Pembuatan Versi Penting
Model terus-menerus dilatih ulang. Pembuatan versi memberikan nomor untuk setiap pelatihan ulang, memungkinkan Anda segera mengembalikan model ke versi sebelumnya jika model baru bermasalah, serta mengaitkan setiap versi dengan eksekusi yang menghasilkannya untuk mendapatkan silsilah lengkap.
Mendaftarkan Model
mlflow.register_model menerima URI model yang telah dicatat dan sebuah nama, lalu membuat versi 1 (atau versi berikutnya) di registri.
import mlflow
result = mlflow.register_model(
model_uri="runs:/<run_id>/model",
name="churn_classifier"
)
print("Version:", result.version)Mendaftarkan saat Pencatatan
Anda juga dapat mendaftarkan model secara langsung saat mencatatnya dengan meneruskan registered_model_name, yang otomatis membuat versi baru pada setiap eksekusi.
mlflow.sklearn.log_model(
model,
artifact_path="model",
registered_model_name="churn_classifier"
)Tahap Siklus Hidup
Setiap versi berpindah melalui beberapa tahap: Tidak ada -> Penahapan (pengujian) -> Produksi (aktif) -> Diarsipkan. Tahap memisahkan "versi mana" dari "versi mana yang sedang melayani", sehingga promosi menjadi perubahan metadata, bukan penerapan ulang.
MlflowClient
Operasi registri secara terprogram dilakukan melalui MlflowClient.
from mlflow.tracking import MlflowClient
client = MlflowClient()Memindahkan Tahap
transition_model_version_stage mempromosikan sebuah versi. Pindahkan versi tersebut ke Penahapan untuk QA, lalu ke Produksi setelah tervalidasi.
client.transition_model_version_stage(
name="churn_classifier",
version=3,
stage="Production"
)Memuat berdasarkan Tahap
Kode penyajian dapat memuat "apa pun yang berada di Produksi" tanpa menulis nomor versi secara langsung, sehingga promosi versi baru segera memperbarui hal yang disajikan.
import mlflow.pyfunc
model = mlflow.pyfunc.load_model(
"models:/churn_classifier/Production"
)Alias Model (MLflow 2.x)
MLflow 2.x memperkenalkan alias: penunjuk bernama yang dapat diubah, seperti @champion atau @challenger, yang dilampirkan ke suatu versi. Alias lebih fleksibel daripada nama tahap tetap dan merupakan pendekatan modern yang direkomendasikan.
client.set_registered_model_alias(
name="churn_classifier",
alias="champion",
version=3
)Memuat berdasarkan Alias
Rujuk model berdasarkan aliasnya dengan sintaks @, sehingga pengalihan alias ke versi baru segera mengarahkan ulang semua pengguna.
model = mlflow.pyfunc.load_model(
"models:/churn_classifier@champion"
)Tahap vs Alias
- Tahap: kumpulan tetap (Penahapan/Produksi/Diarsipkan), dengan siklus hidup sederhana.
- Alias: nama khusus apa pun, dapat memiliki beberapa alias untuk setiap model, dan direkomendasikan dalam MLflow 2.x.
Proyek baru sebaiknya memilih alias demi fleksibilitas.
Uji Singkat
Uji pengetahuan Anda tentang registri model.
Rangkuman
Anda menggunakan Registri Model MLflow: register_model membuat versi, MlflowClient.transition_model_version_stage memindahkannya melalui Penahapan/Produksi, dan Anda memuatnya berdasarkan tahap atau alias (MLflow 2.x) sehingga penyajian diperbarui tanpa perubahan kode. Berikutnya: membangun alur kerja yang dapat direproduksi.
Pertanyaan yang Sering Diajukan
Apakah pelajaran “Registri dan Penerapan Versi Model” gratis?
Ya — teks lengkap “Registri dan Penerapan Versi Model” gratis dibaca di sini di web. Untuk praktiknya secara interaktif (editor kode bawaan dan tutor AI 24/7) dan buka sisa kursus Learn AI with Python, upgrade ke CoddyKit PRO. Kursus Learn AI with Python mencakup 4 pelajaran total.
Apa yang akan aku pelajari di “Registri dan Penerapan Versi Model”?
Mendaftarkan model, tahap penerapan (Staging/Production), alias model, memuat berdasarkan versi. Kamu berlatih Learn AI with Python dengan kode praktik yang langsung kamu jalankan di browser, dan tutor AI 24/7 menjawab pertanyaanmu saat kamu mengerjakan pelajaran ini.
Apakah aku perlu pengalaman untuk memulai Learn AI with Python?
Tidak diperlukan pengalaman sebelumnya. Learn AI with Python di CoddyKit dirancang untuk pemula hingga pelajar tingkat lanjut, jadi kamu bisa memulai di sini atau dari awal dan belajar sesuai kecepatan kamu sendiri. Ini adalah pelajaran 2 dari 4.
Berapa lama pelajaran “Registri dan Penerapan Versi Model” memakan waktu?
Sebagian besar pelajaran CoddyKit memakan waktu sekitar 5–10 menit. Setiap pelajaran ringkas dan interaktif, jadi kamu membuat kemajuan stabil dan melanjutkan dari tempat kamu tinggalkan di web dan aplikasi.
Bisakah aku menulis dan menjalankan kode dalam pelajaran Learn AI with Python ini?
Ya. Setiap pelajaran Learn AI with Python menyertakan editor kode bawaan, jadi kamu menulis dan menjalankan kode nyata langsung di browser dan mendapatkan umpan balik AI instan — tidak diperlukan penyiapan lokal.
Semua pelajaran dalam kursus ini
- Pelacakan Eksperimen dengan MLflow
- Registri dan Penerapan Versi Model
- Membangun Pipeline Pembelajaran Mesin yang Dapat Direproduksi
- Memantau Kinerja Model dalam Produksi