MLflow가 없던 시절

• 사람들이 각자 자신의 코드를 Local에서 작성
• 머신러닝 모델 학습시 사용한 Parameter, Metric을 따로 기록
• 학습하며 생긴 Weight file을 저장해서 다른 동료들에게 공유
• Weight file이름으로 Model Versioning을 하거나 아예 Versioning을 하지 않음.

MLflow가 해결하려고 했던 Pain Point

• 실험을 추적하기 어렵다
• 코드를 재현하기 어렵다
• 모델을 패키징하고 배포하는 방법이 어렵다
• 모델을 관리하기 위한 중안 저장소가 없다.

MLflow

코드 예시

# train.py
  import numpy as np
  from sklearn.linear_model import LogisticRegression

  import mlflow
  import mlflow.sklearn
	
  if __name__ == "__main__":
      X = np.array([-2, -1, 0, 1, 2, 1]).reshape(-1, 1)
      y = np.array([0, 0, 1, 1, 1, 0])
      lr = LogisticRegression()
      lr.fit(X, y)
      score = lr.score(X, y)
      print("Score: %s" % score)
      mlflow.log_metric("score", score)
      mlflow.sklearn.log_model(lr, "model")
      print("Model saved in run %s" % mlflow.active_run().info.run_uuid)

• 현재는 Autolog로 간략화

핵심기능

1. Experiment Management & Tracking
   • 머신러닝 관련 실험들을 관리하고, 각 실험의 내용들을 기록할 수 있음.
   • 실험을 정의하고 실험을 실행할 수 있음. 이 실행은 머신러닝 훈련 코드를 실행한 기록
     • 각 실행에 사용한 소스코드, 하이퍼파라미터, metric 등이 저장됨.