MLflow

Introducción

• Adaptación de las mejores prácticas de desarrollo de software al aprendizaje automático.
• MLflow frente a Kubeflow: ¿en qué destaca MLflow?

Visión general del ciclo de aprendizaje automático

• Preparación de datos, entrenamiento de modelos, implementación de modelos, servicio de modelos, etc.

Visión general de las características y arquitectura de MLflow

• Rastreo con MLflow (MLflow Tracking), Proyectos con MLflow (MLflow Projects) y Modelos con MLflow (MLflow Models)
• Uso de la interfaz de línea de comandos (CLI) de MLflow
• Navegación por la interfaz de usuario (UI) de MLflow

Configuración de MLflow

• Instalación en una nube pública
• Instalación en un servidor local

Preparación del entorno de desarrollo

• Trabajo con cuadernos Jupyter, entornos de desarrollo integrados (IDEs) de Python y scripts independientes

Preparación de un proyecto

• Conexión a los datos
• Creación de un modelo de predicción
• Entrenamiento de un modelo

Uso de MLflow Tracking

• Registro de versiones de código, datos y configuraciones
• Registro de archivos de salida y métricas
• Consulta y comparación de resultados

Ejecución de Proyectos con MLflow

• Visión general de la sintaxis YAML
• El papel del repositorio Git
• Empaquetado de código para reutilización
• Compartir código y colaborar con miembros del equipo

Guardado y servicio de modelos con MLflow Models

• Elección de un entorno de implementación (nube, aplicación independiente, etc.)
• Implementación del modelo de aprendizaje automático
• Servicio del modelo

Uso del Registro de Modelos de MLflow

• Configuración de un repositorio central
• Almacenamiento, anotación y descubrimiento de modelos
• Gestión colaborativa de modelos.

Integración de MLflow con otros sistemas

• Trabajo con complementos (plugins) de MLflow
• Integración con sistemas de almacenamiento de terceros, proveedores de autenticación y APIs REST
• Trabajo con Apache Spark — opcional

Resolución de problemas

Resumen y conclusión