mlflow für den gesamten Machine-Learning-Lebenszyklus

Im Gegensatz zur traditionellen Welt der Softwareentwicklung ist die Entwicklung einer Machine-Learning-Lösung nicht nur von der Qualität des Codes abhängig und nicht auf die Erfüllung bestimmter funktionaler Spezifikationen beschränkt. Das Ziel in Machine-Learning-Projekten ist es, eine Reihe von Metriken, z. B. die Genauigkeit, über mehrere Iterationen zu optimieren. Um dieses Ziel zu erreichen, ist ein ständiges Experimentieren und die Wiederholung von Schritten zur Datenaufbereitung und Parameterabstimmung erforderlich, um die Metrik zu verbessern. Dieser Prozess beinhaltet das Auswählen und Kombinieren verschiedener Bibliotheken und Modelle sowie die Verwendung verschiedener Einsatzumgebungen. Als Open-Source-Plattform für maschinelles Lernen zur Verwaltung des gesamten Lebenszyklus von maschinellen Lernprojekten gewinnt mlflow aus guten Gründen enorm an Popularität.

Dieser Vortrag konzentriert sich auf die von mlflow bereitgestellten Methoden zur Wiederverwendbarkeit von Code-Artefakten und Projekten, zur Verfolgung von Konfigurationen und Parametern sowie auf die Benutzeroberfläche zur Vereinfachung des Vergleichsprozesses verschiedener Modelle und ihren zugehörigen Metriken.