Registro e versionamento de modelos
Registro de modelos, preparação (Staging/Production), aliases de modelos e carregamento por versão.
Registro e versionamento de modelos é uma aula grátis de Learn AI with Python no CoddyKit. Esta é a aula 2 de 4. Você pode ler a aula completa abaixo gratuitamente — depois pratica ao vivo no navegador com um editor de código integrado e um tutor de IA 24/7. Faz parte do caminho de aprendizado de Learn AI with Python, e seu progresso é sincronizado entre a web e o app CoddyKit. O curso de Learn AI with Python inclui 4 aulas no total.
O que é o registro de modelos?
O Registro de Modelos do MLflow é um repositório central para seus modelos. Ele acompanha modelos nomeados, suas versões e as etapas do ciclo de vida, para que a equipe saiba sempre qual modelo está em produção e como ele chegou lá.
Por que o versionamento é importante
Os modelos são retreinados constantemente. O versionamento atribui um número a cada novo treinamento, permite reverter instantaneamente se um modelo novo apresentar problemas e associa cada versão à execução que a produziu, garantindo a linhagem completa.
Registrando um modelo
mlflow.register_model recebe o URI de um modelo registrado e um nome, criando a versão 1 (ou a próxima versão) no registro.
import mlflow
result = mlflow.register_model(
model_uri="runs:/<run_id>/model",
name="churn_classifier"
)
print("Version:", result.version)Registrando no momento do salvamento
Você também pode registrar o modelo diretamente ao salvá-lo, passando registered_model_name, o que cria automaticamente uma nova versão a cada execução.
mlflow.sklearn.log_model(
model,
artifact_path="model",
registered_model_name="churn_classifier"
)Etapas do ciclo de vida
Cada versão passa pelas etapas: Nenhuma -> Preparação (testes) -> Produção (ativa) -> Arquivada. As etapas desvinculam «qual versão» de «qual está sendo disponibilizada», de modo que a promoção seja uma alteração de metadados, não uma nova implantação.
O MlflowClient
As operações programáticas do registro são realizadas por meio do MlflowClient.
from mlflow.tracking import MlflowClient
client = MlflowClient()Transicionando entre etapas
transition_model_version_stage promove uma versão. Mova-a para Preparação para QA e depois para Produção, quando estiver validada.
client.transition_model_version_stage(
name="churn_classifier",
version=3,
stage="Production"
)Carregando por etapa
O código de disponibilização pode carregar «o que estiver em Produção» sem fixar um número de versão, de modo que promover uma nova versão atualize instantaneamente o que será disponibilizado.
import mlflow.pyfunc
model = mlflow.pyfunc.load_model(
"models:/churn_classifier/Production"
)Apelidos de modelos (MLflow 2.x)
O MLflow 2.x introduziu os apelidos: referências nomeadas mutáveis, como @champion ou @challenger, associadas a uma versão. Eles são mais flexíveis do que os nomes fixos das etapas e representam a abordagem moderna recomendada.
client.set_registered_model_alias(
name="churn_classifier",
alias="champion",
version=3
)Carregando por apelido
Faça referência a um modelo pelo seu apelido usando a sintaxe @; assim, reatribuir o apelido a uma nova versão redireciona instantaneamente todos os consumidores.
model = mlflow.pyfunc.load_model(
"models:/churn_classifier@champion"
)Etapas versus apelidos
- Etapas: conjunto fixo (Preparação/Produção/Arquivada), ciclo de vida simples.
- Apelidos: qualquer nome personalizado, vários por modelo, recomendados no MLflow 2.x.
Projetos novos devem preferir apelidos por sua flexibilidade.
Verificação rápida
Teste seus conhecimentos sobre o registro de modelos.
Recapitulação
Você utilizou o Registro de Modelos do MLflow: register_model cria versões, MlflowClient.transition_model_version_stage as move entre Preparação/Produção e você pode carregá-las por etapa ou por apelido (MLflow 2.x), para que a disponibilização seja atualizada sem alterações no código. Próximo tema: criação de fluxos de processamento reproduzíveis.
Perguntas Frequentes
A aula “Registro e versionamento de modelos” é grátis?
Sim — o texto completo de “Registro e versionamento de modelos” é grátis para ler aqui na web. Para praticá-la interativamente (um editor de código integrado e um tutor de IA 24/7) e desbloquear o restante do curso de Learn AI with Python, atualize para CoddyKit PRO. O curso de Learn AI with Python inclui 4 aulas no total.
O que vou aprender em “Registro e versionamento de modelos”?
Registro de modelos, preparação (Staging/Production), aliases de modelos e carregamento por versão. Você pratica Learn AI with Python com código prático que executa diretamente no navegador, e um tutor de IA 24/7 responde suas dúvidas enquanto trabalha na aula.
Preciso ter experiência prévia para começar Learn AI with Python?
Nenhuma experiência prévia é necessária. Learn AI with Python no CoddyKit é estruturado para alunos iniciantes até avançados, então você pode começar aqui ou desde o início e aprender no seu ritmo. Esta é a aula 2 de 4.
Quanto tempo leva a aula “Registro e versionamento de modelos”?
A maioria das aulas CoddyKit leva cerca de 5–10 minutos. Cada uma é compacta e interativa, então você faz progresso constante e retoma exatamente de onde parou entre web e app.
Posso escrever e executar código nesta aula de Learn AI with Python?
Sim. Cada aula de Learn AI with Python inclui um editor de código integrado, então você escreve e executa código real direto no navegador e recebe feedback de IA instantaneamente — nenhuma configuração local necessária.
Todas as aulas deste curso
- Acompanhamento de experimentos com MLflow
- Registro e versionamento de modelos
- Criando pipelines reproduzíveis de aprendizado de máquina
- Monitoramento do desempenho de modelos em produção