Mettre un modèle en service

Le déploiement de modèles est une autre étape importante du cycle de vie de Machine Learning. L'interface en ligne de commande de MLflow comprend une commande pour mettre des modèles en service. Les modèles peuvent être déployés avec MLflow à partir du système de fichiers local, de MLflow Tracking et de plusieurs fournisseurs infonuagiques comme AWS S3.

Pour mettre en service un modèle à partir de MLflow Tracking en utilisant son run_id, laquelle des commandes suivantes sert à mettre le modèle en service ?

Cette activité fait partie du cours

Introduction à MLflow

Voir le cours

Exercice interactif pratique

Passez de la théorie à l’action grâce à l’un de nos exercices interactifs

Commencer l’exercice

Cette activité fait partie du cours

Introduction à MLflow

SkillTag.level.advancedSkillTag.label

4.8+

769 reviews

Commencer le cours gratuitement

Dans ce chapitre, vous serez initié à MLflow et à la façon dont il aide à résoudre certaines difficultés du cycle de vie du Machine Learning. Vous découvrirez les quatre concepts principaux qui composent MLflow, avec un accent sur MLflow Tracking. Vous apprendrez à créer des expériences et des exécutions, ainsi qu'à consigner des mesures, des paramètres et des artéfacts. Enfin, vous effectuerez des recherches dans MLflow par programmation pour trouver des exécutions d'expériences qui répondent à certains critères.

Exercise 1: Qu'est-ce que MLflow ?Exercise 2: Composantes de MLflow Exercise 3: Expériences MLflow Exercise 4: Suivi avec MLflow Exercise 5: Démarrer une exécution Exercise 6: Consigner une exécution Exercise 7: Comment récupérer les données de l'exécution active?Exercise 8: Interroger des exécutions Exercise 9: Options de requête pour la recherche de runs Exercise 10: Recherche d'exécutions

Dans ce chapitre, vous ferez connaissance avec les Modèles MLflow. Le composant MLflow Models joue un rôle essentiel dans les étapes d'évaluation et d'ingénierie des modèles du cycle de vie du Machine Learning. Vous apprendrez comment MLflow Models normalise l'empaquetage des modèles ML et comment les enregistrer, les consigner et les charger. Vous verrez comment créer des modèles MLflow personnalisés pour offrir plus de souplesse selon vos cas d'utilisation, ainsi que comment évaluer la performance des modèles. Vous exploiterez le puissant concept de « Flavors » et, pour finir, vous utiliserez l'outil en ligne de commande MLflow pour le déploiement des modèles.

Exercise 1: Introduction aux modèles MLflow Exercise 2: Empaqueter un modèle de Machine Learning Exercise 3: Format d'entreposage Exercise 4: Que contient un fichier MLmodel ?Exercise 5: API de modèles Exercise 6: Enregistrer et charger un modèle Exercise 7: Consigner et charger un modèle Exercise 8: Modèles personnalisés Exercise 9: Créer une classe Python personnalisée Exercise 10: Modèle scikit-learn personnalisé Exercise 11: Saveur scikit-learn et évaluation Exercise 12: Diffusion du modèle Exercise 13: Mettre un modèle en service

Exercice en cours

Exercise 14: Obtenir un score à partir d'un modèle servi

Ce chapitre présente le concept d'MLflow appelé le Registre de modèles. Vous verrez comment le Registre de modèles est utilisé pour gérer le cycle de vie des modèles ML. Vous apprendrez à créer des modèles et à les rechercher dans le Registre de modèles. Vous verrez ensuite comment inscrire des modèles dans le Registre et comment faire passer des modèles entre des étapes prédéfinies. Enfin, vous apprendrez aussi à déployer des modèles à partir du Registre de modèles.

Exercise 1: Introduction au Model Registry de MLflow Exercise 2: Créer un modèle Exercise 3: Recherche de modèles Exercise 4: Enregistrer des modèles Exercise 5: Inscrire des modèles existants Exercise 6: Enregistrer de nouveaux modèles Exercise 7: Étapes du modèle Exercise 8: Stades de modèle dans le Model Registry Exercise 9: Faire passer les modèles d'une étape à l'autre Exercise 10: Déploiement de modèles Exercise 11: Offrir des modèles à partir du Model Registry Exercise 12: Charger des modèles à partir du Model Registry

Dans ce chapitre, vous apprendrez à optimiser votre code en science des données pour qu'il soit réutilisable et reproductible grâce aux Projets MLflow. Le chapitre commence par présenter le concept de Projets MLflow et vous guide dans la création d'un fichier MLproject. Ensuite, vous verrez comment exécuter des Projets MLflow à la fois par la ligne de commande et avec le module Projects de MLflow, tout en découvrant la puissance des paramètres pour rendre votre code plus flexible. Enfin, vous apprendrez à gérer les étapes du cycle de vie du Machine Learning en créant un enchaînement de tâches à plusieurs étapes avec les Projets MLflow.

Exercise 1: Introduction aux projets MLflow Exercise 2: Structure d'un fichier MLproject Exercise 3: Créer un fichier MLproject Exercise 4: Exécuter des projets MLflow Exercise 5: Commande mlflow run Exercise 6: Module MLflow projects Exercise 7: Spécifier des paramètres Exercise 8: Ajouter des paramètres à MLproject Exercise 9: Ajouter des paramètres à l'exécution du projet Exercise 10: Flux de travaux Exercise 11: Créer un MLproject pour le cycle de vie du ML : ingénierie du modèle Exercise 12: Créer un MLproject pour le cycle de vie ML : évaluation du modèle Exercise 13: Création d'un enchaînement multiétapes : ingénierie du modèle Exercise 14: Créer un flux de travail à étapes multiples : Évaluation du modèle Exercise 15: En résumé