Înapoi la lista de proiecte
MLOps
PrezentareCiclul de viață al modelelor cu MLflow
Un traseu compact de la experiment urmărit la model înregistrat și predicție servită.
Context: Proiect de învățare MLOps
Rezumat
Proiectul urmărește modelul după antrenare: experimentele și parametrii sunt înregistrați, rulările selectate intră în registru, versiunile pot fi promovate, iar modelul ales poate fi încărcat local sau servit prin MLflow.
De la o rulare de antrenare la un model servit
Experiment
Parametrii, metricile și artefactele sunt urmărite
Comparație
Rulările înregistrate susțin selecția modelului
Registru
Artefactul ales primește versiune și este promovat
Inferență
Aplicațiile încarcă modelul înregistrat
Servire
MLflow expune un endpoint de predicție
Ce gestionează sistemul
Demonstrează urmărirea experimentelor, registrul modelelor, promovarea, inferența locală și servirea.
Tehnologie
Stack
PythonMLflowscikit-learnRandom ForestSQLiteModel registryExperiment trackingModel serving
Domenii
MLOpsMachine learningCiclul de viață al modelelor
Concluzii
- Înregistrarea parametrilor, metricilor și artefactelor face selecția reproductibilă.
- Registrul separă clar o rulare experimentală de versiunea aleasă pentru inferență.
- Proiectul este intenționat compact și poate fi extins ulterior cu monitorizare, validare automată și porți de deployment.
Experimenturmărit
Registruversionat
Aliaschampion
Endpointpregătit