- Webinar
MLflow — один из самых стабильных и легких современных инструментов, позволяющих специалистам по Data Science управлять жизненным циклом моделей машинного обучения на всем его протяжении.
Это удобный инструмент с простым пользовательским интерфейсом для просмотра экспериментов и мощными средствами упаковки моделей, управления ими и их развертыванием. Он позволяет работать практически с любой библиотекой машинного обучения.
На вебинаре мы пройдем все этапы установки и настройки MLflow в максимально близком к production варианте, а также покажем, как реализовать использование облачных сервисов в качестве различных backend-сервисов MLflow.
На вебинаре мы вместе:
— установим MLflow tracking server на выделенной VM;
— подключим S3 в качестве artifact storage;
— подключим DBaaS в роли backend entity storage;
— развернем JupyterHub на выделенной VM;
— обучим тестовую ML-модель и продемонстрируем на примере данной модели основы работы с компонентами MLflow: Tracking и Registry;
— опубликуем обученную модель и сделаем её доступной для запросов по REST API;
— соберем Docker-образ с ML-моделью, используя возможности MLflow для публикации модели в дальнейшем в Kubernetes.
После вебинара на все ваши вопросы ответит Александр Волынский, PaaS-архитектор платформы Mail.ru Cloud Solutions.
Вебинар продолжает нашу серию про MLOps. Ранее мы рассматривали проект Kubeflow. В сравнении с ним MLflow — более стабильный, production-ready инструмент. За счет того, что MLflow не использует Kubernetes, он более прост в работе, но в целом хуже масштабируется и не так хорошо интегрируется с K8s. В MLflow меньше функций: в частности, в отличие от KubeFlow в него не встроен JupyterHub, поэтому на вебинаре нам с вами придется развернуть его отдельно.