MLflow

Introducción

• Adaptación de las mejores prácticas de desarrollo de software al aprendizaje automático.
• MLflow frente a Kubeflow: ¿en qué destaca MLflow?

Visión general del ciclo de aprendizaje automático

• Preparación de datos, entrenamiento de modelos, implementación de modelos, servicio de modelos, entre otros.

Visión general de las características y arquitectura de MLflow

• MLflow Tracking, MLflow Projects y MLflow Models.
• Uso de la interfaz de línea de comandos (CLI) de MLflow.
• Navegación por la interfaz de usuario (UI) de MLflow.

Configuración de MLflow

• Instalación en una nube pública.
• Instalación en un servidor local.

Preparación del entorno de desarrollo

• Trabajo con cuadernos Jupyter, IDEs de Python y scripts independientes.

Preparación de un proyecto

• Conexión con los datos.
• Creación de un modelo de predicción.
• Entrenamiento de un modelo.

Uso de MLflow Tracking

• Registro de versiones de código, datos y configuraciones.
• Registro de archivos de salida y métricas.
• Consulta y comparación de resultados.

Ejecución de MLflow Projects

• Visión general de la sintaxis YAML.
• El papel del repositorio Git.
• Empaquetado del código para reutilización.
• Compartir código y colaborar con miembros del equipo.

Almacenamiento y servicio de modelos con MLflow Models

• Elección del entorno para la implementación (nube, aplicación independiente, etc.).
• Implementación del modelo de aprendizaje automático.
• Servicio del modelo.

Uso del Registro de Modelos de MLflow

• Configuración de un repositorio central.
• Almacenamiento, anotación y descubrimiento de modelos.
• Gestión colaborativa de modelos.

Integración de MLflow con otros sistemas

• Trabajo con complementos (plugins) de MLflow.
• Integración con sistemas de almacenamiento de terceros, proveedores de autenticación y APIs REST.
• Trabajo con Apache Spark (opcional).

Resolución de problemas

Resumen y conclusiones