模型部署是機器學習生命週期中的另一個重要步驟。MLflow 的命令列介面提供用來提供模型服務的指令。你可以透過 MLflow 從本機檔案系統、MLflow Tracking，以及多個雲端供應商（例如 AWS S3）部署模型。
若要使用 run_id 從 MLflow Tracking 提供某個模型服務，下列哪一個指令可以用來啟動該模型的服務？
run_id
本練習屬於課程
將理論付諸實踐，立即體驗我們的互動練習
在本章中，你將認識 MLflow，以及它如何協助解決 Machine Learning 生命週期中的一些難題。你會了解構成 MLflow 的四大核心概念，並著重於 MLflow Tracking。你將學會如何建立 experiments 與 runs，以及追蹤 metrics、parameters 與 artifacts。最後，你會以程式方式搜尋 MLflow，找出符合特定條件的 experiment runs。
在本章中，你將認識 MLflow Models。MLflow 的 Models 元件在 Machine Learning 生命週期中的模型評估與模型工程步驟扮演關鍵角色。你會學到 MLflow Models 如何標準化 ML 模型的封裝方式，以及如何儲存、記錄與載入模型。你也會學到如何建立自訂的 MLflow Models，讓你的情境更具彈性，並學習如何評估模型效能。你將運用強大的「Flavors」概念，最後使用 MLflow 命令列工具進行模型部署。
當前練習
本章將介紹 MLflow 的 Model Registry 概念。你會學到如何用 Model Registry 管理 ML 模型的生命週期。你將了解如何在 Model Registry 中建立與搜尋模型。接著，你會學習如何將模型註冊到 Model Registry，並在預先定義的階段之間轉換模型。最後，你也會學到如何從 Model Registry 部署模型。
在本章中，你將學會如何使用 MLflow Projects，讓你的資料科學程式碼更容易重複使用並具可重現性。章節會先介紹 MLflow Projects 的概念，並帶你建立一個 MLproject 檔案。之後，你會學到如何透過命令列與 MLflow Projects 模組來執行 MLflow Projects，同時認識參數帶來的彈性。最後，你將學會使用 MLflow Projects 建立多步驟工作流程，以管理 Machine Learning 生命週期中的各個步驟。
