¿Qué es MLflow?

Qué es

MLflow ofrece seguimiento de experimentos (cada ejecución guarda parámetros, métricas, artefactos y código), un registro de modelos con versiones y etapas, y un formato de modelo (MLmodel) que describe cómo cargarlo y qué entradas espera. Azure Machine Learning actúa como servidor de seguimiento de MLflow: con mlflow.set_tracking_uri apuntando al área de trabajo, cualquier script registra sus ejecuciones sin código adicional, y el registro de modelos de Azure ML acepta modelos en formato MLflow para desplegarlos sin scripts de puntuación.

Cómo aparece en el examen

En el examen se pide usar MLflow para hacer comparable y reproducible el entrenamiento: registrar métricas en cada ejecución, comparar ejecuciones para elegir el mejor modelo, registrar el modelo con una versión y promoverlo. Un escenario típico pide desplegar un modelo registrado en un punto de conexión administrado en línea sin escribir código de inferencia, y la respuesta es registrarlo en formato MLflow para usar el despliegue sin código.

Lo que más se falla

Lo que más se falla: el registro automático (autolog) cubre las bibliotecas más comunes, pero las métricas personalizadas hay que registrarlas a mano; el modelo registrado incluye la firma con el esquema de entradas y salidas, necesaria para el despliegue sin código; y el seguimiento local y el del área de trabajo son distintos si no se configura el URI.

En qué certificaciones aparece

• AI-300Microsoft Certified: Machine Learning Operations Engineer AssociatePracticar AI-300

Términos relacionados

• MLOps y GenAIOps
• Punto de conexión administrado de Azure Machine Learning