MLflow Model Lifecycle

Ein kompakter Weg vom protokollierten Experiment zum registrierten Modell und zur Vorhersage.

Kontext: Lernprojekt zu MLOps und Modelllebenszyklen

Zusammenfassung

Das Lernprojekt verfolgt ein Modell über das Training hinaus: Parameter und Experimente werden protokolliert, ausgewählte Läufe registriert und Versionen für lokale Inferenz oder Serving bereitgestellt.

Vom Trainingslauf zum bereitgestellten Modell

Experiment

Parameter, Metriken und Artefakte werden protokolliert

Vergleich

Aufgezeichnete Läufe unterstützen die Modellauswahl

Registry

Das gewählte Artefakt wird versioniert und freigegeben

Inferenz

Anwendungen laden das registrierte Modell

Serving

MLflow stellt einen Vorhersage-Endpunkt bereit

Was das System abdeckt

Zeigt Tracking, Registry, Promotion, Inferenz und Serving in einem kompakten Ablauf.

Technologie

Stack

PythonMLflowscikit-learnRandom ForestSQLiteModel registryExperiment trackingModel serving

Bereiche

MLOpsMachine LearningModelllebenszyklus

Ergebnisse

Modellentscheidungen bleiben über protokollierte Parameter und Artefakte nachvollziehbar.
Registry und Promotion trennen Experimente von freigegebenen Versionen.
Der kompakte Aufbau schafft eine klare Grundlage für spätere Monitoring- und Deployment-Schritte.

Modellversion 4

Experimentprotokolliert

Registryversioniert

Aliaschampion

Endpointbereit

Weiter entdecken