Uso del manager de modelos desde los notebooks

El manager de modelos está automáticamente configurado en el módulo de notebooks, con lo que se puede usar las capacidades sin ninguna configuración.

Puedes importar el paquete de mlflow en cualquier párrafo de python o pyspark para poder trabajar con esta funcionalidad

Open

Hay dos caminos principales para usar el mlflow en un notebook.

Entrenamiento y uso de modelos con código dentro de un notebook

Este es un modo de uso muy fácil y simple. Puedes importar el paquete de mlflow y empezar el desarrollo para el entrenamiento del modelo

Open

O puedes usar el modelo para hacer una predicción usando un modelo previamente entrenado:

Entrenamiento y uso de modelos trabajando con un repositorio git

De esta manera, el módulo de notebook trabajará como un wrapper de un proyecto MLFlow. El proyecto de MLFlow tiene el código, librerías y dependencias en su estructura, con lo que no es necesaria otra configuración para entrenar el modelo o usar uno existente con el concepto de proyecto.

Se puede trabajar desarrollando el modelo en un entorno local, hacer un push del código a algún repositorio de git con lo que tendremos un control de versiones completo. Cuando sea necesario, usar el proyecto con datos reales y usar la potencia de cálculo de un servidor que se descargará este repositorio en el notebook y se lanzará desde ahí usando siempre este repositorio git como punto de código centralizado.