Memasang MLflow dan Mulai Melacak

Anda menjalankan lusinan eksperimen dan lupa pengaturan mana yang menghasilkan skor terbaik. MLflow mencatat setiap proses sehingga tidak ada hasil yang hilang lagi.

MLflow hanyalah paket Python. Satu perintah pip install menyediakan pustaka, API pelacakan, dan UI web bawaan untuk menelusuri proses.

Server pelacakan adalah tempat penyimpanan berbagai proses. Jalankan secara lokal dan server ini menyediakan API serta dasbor pada porta 5000.

Beri tahu MLflow lokasi server dengan set_tracking_uri. Setelah itu, setiap proses yang Anda catat akan dikirim ke server tersebut.

Proses adalah satu eksekusi kode pelatihan Anda. Proses ini menggabungkan parameter yang Anda pilih, metrik yang diperoleh, dan berkas apa pun yang Anda simpan.

Bungkus pelatihan Anda dalam start_run. MLflow membuka sebuah proses, memberinya ID unik, lalu menutupnya dengan rapi saat blok berakhir.

Eksperimen adalah folder bernama untuk proses-proses yang berkaitan. Tetapkan satu agar semua percobaan model churn Anda berada bersama, bukan tersebar.

Di balik layar, MLflow menulis metadata proses ke penyimpanan backend, seperti basis data SQLite atau Postgres, sehingga data tetap ada setelah mulai ulang.

Belum memiliki server? MLflow beralih ke folder lokal mlruns. Cocok untuk pengujian cepat, tetapi server bersama lebih baik untuk tim.

Telusuri semua yang Anda catat di UI MLflow. Cukup kunjungi URL server melalui peramban untuk melihat proses sebagai tabel yang dapat diurutkan.

Pelacakan adalah fondasi MLOps. Setelah setiap proses diabadikan, Anda dapat membandingkan, mereproduksi, dan mempromosikan model dengan percaya diri.

Anda memasang MLflow, memulai server pelacakan, mengarahkan kode ke sana, dan membuka sebuah proses. Kini setiap eksperimen memiliki tempatnya sendiri. ✅