Servindo um modelo

A implantação de modelos é outra etapa importante do ciclo de vida de Machine Learning. A interface de linha de comando do MLflow inclui um comando para servir modelos. Os modelos podem ser implantados com o MLflow a partir do sistema de arquivos local, do MLflow Tracking e de vários provedores de nuvem, como a AWS S3.

Para servir um modelo do MLflow Tracking usando seu run_id, qual dos seguintes comandos é usado para servir o modelo?

Este exercicio faz parte do curso

Introdução ao MLflow

Ver curso

exercicio interativo prático

Transforme teoria em prática com um dos nossos exercicio interativos

Iniciar exercicio

Este exercicio faz parte do curso

Introdução ao MLflow

AvançadoNível de habilidade

4.8+

744 reviews

Comece o curso gratuitamente

Neste capítulo, você será apresentado ao MLflow e a como ele busca ajudar em algumas dificuldades do ciclo de vida de Machine Learning. Você conhecerá os quatro conceitos principais que compõem o MLflow, com foco em MLflow Tracking. Você vai aprender a criar experimentos e execuções (runs), além de rastrear métricas, parâmetros e artefatos. Por fim, você fará buscas programáticas no MLflow para encontrar execuções de experimentos que atendam a determinados critérios.

Exercise 1: O que é MLflow?Exercise 2: Componentes do MLflow Exercise 3: Experimentos no MLflow Exercise 4: MLflow Tracking Exercise 5: Iniciando uma execução (run)Exercise 6: Registrando uma execução Exercise 7: Como obter dados da execução ativa?Exercise 8: Consultando execuções Exercise 9: Opções de consulta em Search runs Exercise 10: Buscando execuções

Neste capítulo, você será apresentado ao MLflow Models. O componente MLflow Models desempenha um papel essencial nas etapas de Avaliação de Modelo e Engenharia de Modelo do ciclo de vida de Machine Learning. Você aprenderá como o MLflow Models padroniza o empacotamento de modelos de ML e como salvá-los, registrá-los (log) e carregá-los. Você também vai aprender a criar modelos personalizados do MLflow para dar mais flexibilidade aos seus casos de uso e a avaliar o desempenho do modelo. Você utilizará o poderoso conceito de “Flavors” e, por fim, usará a ferramenta de linha de comando do MLflow para implantar modelos.

Exercise 1: Introdução aos MLflow Models Exercise 2: Empacotar um modelo de Machine Learning Exercise 3: Formato de armazenamento Exercise 4: O que existe em um arquivo MLmodel?Exercise 5: API de modelos Exercise 6: Salvando e carregando um modelo Exercise 7: Registrando e carregando um modelo Exercise 8: Modelos personalizados Exercise 9: Criando uma Classe Python personalizada Exercise 10: Modelo customizado do scikit-learn Exercise 11: Flavor do scikit-learn e avaliação Exercise 12: Serviço de modelos Exercise 13: Servindo um modelo

Exercicio Atual

Exercise 14: Pontuar a partir de um modelo em serviço

Este capítulo apresenta o conceito do MLflow chamado Model Registry. Você verá como o Model Registry é usado para gerenciar o ciclo de vida de modelos de ML. Você aprenderá a criar e buscar modelos no Model Registry. Em seguida, aprenderá a registrar modelos no Model Registry e a fazer a transição de modelos entre estágios predefinidos. Por fim, você também aprenderá a implantar modelos a partir do Model Registry.

Exercise 1: Introdução ao MLflow Model Registry Exercise 2: Criar um modelo Exercise 3: Buscando modelos Exercise 4: Registrando modelos Exercise 5: Registrando modelos existentes Exercise 6: Registrando novos modelos Exercise 7: Estágios do modelo Exercise 8: Estágios de modelo no Model Registry Exercise 9: Transição entre estágios do modelo Exercise 10: Implantação de modelos Exercise 11: Servindo modelos a partir do Model Registry Exercise 12: Carregando modelos do Model Registry

Neste capítulo, você vai aprender a otimizar seu código de ciência de dados para reuso e reprodutibilidade usando MLflow Projects. O capítulo começa apresentando o conceito de MLflow Projects e guiando você na criação de um arquivo MLproject. A partir daí, você vai aprender a executar MLflow Projects tanto pela linha de comando quanto pelo módulo MLflow Projects, além de descobrir o poder de usar parâmetros para dar mais flexibilidade ao seu código. Por fim, você vai aprender a gerenciar etapas do ciclo de vida de Machine Learning criando um fluxo de trabalho com várias etapas usando MLflow Projects.

Exercise 1: Introdução aos MLflow Projects Exercise 2: Estrutura do arquivo MLproject Exercise 3: Criando um MLproject Exercise 4: Executando MLflow Projects Exercise 5: Comando mlflow run Exercise 6: Módulo MLflow projects Exercise 7: Especificando parâmetros Exercise 8: Adicionando parâmetros ao MLproject Exercise 9: Adicionando parâmetros à execução do projeto Exercise 10: Fluxos de trabalho Exercise 11: Criando um MLproject para o ciclo de vida de ML: Engenharia de Modelo Exercise 12: Criando um MLproject para o ciclo de vida de ML: Avaliação do modelo Exercise 13: Criando um fluxo de trabalho com várias etapas: Model Engineering Exercise 14: Criando um fluxo de trabalho multi-etapas: Avaliação do Modelo Exercise 15: Encerramento