El manager de modelos puede ser usado para el trabajo en entorno local de los datascientics. La única precondición es tener una instalación de plataforma en versión 3.1.0 o superior y la conexión directa de este usuario al servidor.
Generaremos los ejemplos en python, pero este código es extensible a otros lenguajes con lo que trabaja MLFlow.
El primer paso que tenemos que hacer, es instalar los paquetes de python necesarios para conectar con el Models Manager:
MLFlow → pip install mlflow
mlflow onesaitplatform plugin (uso de la herramienta de subida de ficheros para trabajar con proyectos de ML) → pip install mlflow-onesaitplatform-plugin
El segundo y último paso, es setear el entorno con el que queremos trabajar de plataforma. Esta es la forma de conectar tu código local con el servidor de onesaitplatform. Puedes hacerlo de dos formas distintas:
Usando una variable de entorno llamada MLFLOW_TRACKING_URI, la cual tendrá que ser seteada a {environment}/controlpanel/modelsmanager
...
A través del método de la librería de MLFlow en el propio código
...
Teniendo un proyecto de MLFlow, puedes lanzar el entrenamiento con el siguiente comando:
mlflow run {folder project} -P {mlflowparams}
Por ejemplo, lanzando un ejemplo de sklearn sobre la calidad del vino:
...
Después podremos observar en el controlpanel el mismo y explorar sus detalles:
...
Así como ver el artecfato del proyecto y el modelo en si mismo (archivo .pkl)
...