Tracking de modelos en localhost: directorio personalizado

Curso de MLOPS: Despliegue de Modelos de Machine Learning

Fundamentos de MLOps y tracking de modelos

¿Qué es MLOps y para qué sirve?

Tracking de modelos en localhost con MLflow

Tracking de modelos en localhost: directorio personalizado

Etapas del ciclo de MLOps

Componentes de MLOps

Tracking de modelos con MLflow y SQLite

Tracking de modelos con MLflow en la nube

Tracking del ciclo de vida de modelos de machine learning

Tracking de experimentos con MLflow: preprocesamiento de datos

Tracking de experimentos con MLflow: definición de funciones

Tracking de experimentos con MLflow: tracking de métricas e hiperparámetros

Tracking de experimentos con MLflow: reporte de clasificación

Entrenamiento de modelos baseline y análisis en UI de MLflow

MLflow Model Registry: registro y uso de modelos

Registro de modelos con mlflow.client

Testing de modelo desde MLflow con datos de prueba

¿Para qué sirve el tracking de modelos en MLOps?

Orquestación de pipelines de machine learning

Tasks con Prefect

Flows con Prefect

Flow de modelo de clasificación de tickets: procesamiento de datos y features

Flow de modelo de clasificación de tickets: integración de las tasks

Flow de modelo de clasificación de tickets: ejecución de tasks

¿Cómo se integra la orquestación en MLOps?

Despliegue de modelo de machine learning

Despligue con Docker y FastAPI: configuración y requerimientos

Despligue con Docker y FastAPI: definición de clases y entry point

Despligue con Docker y FastAPI: procesamiento de predicciones en main app

Despligue con Docker y FastAPI: configuración de la base de datos

Despliegue y pruebas de modelo de machine learning en localhost

Despliegue y pruebas de modelo de machine learning en la nube

¿Qué hacer con el modelo desplegado?

Monitoreo de modelo de machine learning en producción

¿Cómo monitorear modelos de machine learning en producción?

Entrenamiento de modelo baseline

Preparar datos para crear reporte con Evidently

Análisis de la calidad de los datos con Evidently

Creación de reportes con Grafana

¿Cómo mejorar tus procesos de MLOps?

No tienes acceso a esta clase

¡Continúa aprendiendo! Únete y comienza a potenciar tu carrera

Si ya tienes una cuenta,

Recursos

¿Cómo gestionar un seguimiento local de experimentos con MLflow?

La capacidad de rastrear y gestionar experimentos es fundamental en Machine Learning. MLflow es una herramienta poderosa para este propósito, permitiéndonos organizar y seguir el progreso de nuestros experimentos de manera eficiente. A través de esta guía exploraremos cómo gestionar un seguimiento de experimentos en local, utilizando un folder URI para almacenar los resultados. Este enfoque ofrece una gran flexibilidad en la gestión de experimentos y es un paso fundamental hacia el manejo más avanzado de proyectos de Machine Learning.

¿Cuál es el procedimiento para establecer una carpeta de rastreo personalizada?

Configurar una carpeta de rastreo personalizada en MLflow nos permite definir explícitamente dónde almacenar nuestros experimentos, facilitando una organización más clara y eficiente.

Creación de una carpeta de experimentos:

En el directorio donde estés trabajando, crea un subfolder a nivel de módulo de tracking.
Nómbralo de manera única para evitar confusiones, por ejemplo, experiment.ml.

Configuración del código:

Copia el código base con el que trabajas.
Importa las librerías necesarias y asegúrate de detener cualquier proceso en curso de MLflow con mlflow.end_run().

Ejecución del experimento:

Corre el código, prestando atención a posibles errores relacionados con la identificación de experimentos. Si aparece un conflicto de ID, verifica que la carpeta por defecto mlruns esté eliminada.

¿Cómo visualizar los resultados almacenados en la carpeta local?

Una vez configurada y ejecutada la experimentación, es crucial poder visualizar los resultados para analizar y tomar decisiones informadas. En MLflow, esto se logra fácilmente mediante el uso de su interfaz de usuario.

Ejecutar el comando en la terminal:

Asegúrate de estar dentro de la carpeta experiment.ml.
Copia el comando necesario en la terminal para abrir la interfaz.
Asegúrate de estar en el directorio adecuado cuando lo ejecutes.

Navegación en el navegador:

Copia la dirección con el puerto proporcionado al ejecutar el comando.
Pégalo en el navegador de tu preferencia para abrir la interfaz de MLflow y observar tus experimentos.

Estas operaciones nos permiten visualizar el historial de rastreo, los parámetros, métricas y artefactos de cada ejecución.

¿Qué ventajas ofrece usar MLflow de manera local?

El uso de MLflow de forma local proporciona varias ventajas que optimizan la manera en que gestionamos nuestros proyectos de Machine Learning:

Control sobre el entorno de experimentación: Personaliza y controla tu flujo de trabajo sin depender de una conexión a Internet.
Organización eficiente: Clasificación y rastreo organizado de múltiples experimentos en un solo lugar.
Simulación de entornos de producción: Permite un contexto seguro para probar configuraciones antes de implementarlas en un entorno de producción.
Fácil integración con herramientas futuras: Aunque se trabaje localmente, es posible integrar MLflow con plataformas basadas en la nube para compartir experimentos con facilidad, mejorando la colaboración dentro de equipos.

Este enfoque local es un cimiento fuerte para avanzar en la integración con servicios en la nube, lo cual añadirá capacidades adicionales y facilitará el trabajo en equipo. Con el dominio de este procedimiento, estás un paso más cerca de convertirte en un profesional del Machine Learning completamente capacitado. Sigue explorando las capacidades de MLflow y expande tus habilidades en este emocionante campo.

Aportes 5

Preguntas 3

Ordenar por:

¿Quieres ver más aportes, preguntas y respuestas de la comunidad?

Santiago Ahumada Lozano

hace un año

Cuando quieran cambiar la URI (O dirección en donde se guardarán los experimentos, recuerden que el comando es

mlflow ui --backend-store-uri [path_a_la_nueva_carpeta]

Y en lugar de [path_a_la_nueva_carpeta], copian la direccion del folder donde quieren guardar los experimentos, en mi caso el comando es

mlflow ui --backend-store-uri /home/santi/Mlops-platzi/tracking/experiment_ml

Alejandro Giraldo Londoño

hace un año

* **Resumen**: ## ■■■■■■■ * El **Backend Stor**e es un componente core el módulo de tracking, donde mlflow almacena la metadata para las corridas de cada experimento, por defecto mlflow almacenrá la data en ``./mlruns`` pero podemos guardar esta metadata en bases de datos también. * Si quisieramos correr el UI de mlflow para gestionar las métricas en un archivo podemos ejecutar `` `mlflow ui --backend-store-uri {file:/my/local/dir}` `` * En server: mlflow server `` `--backend-store-uri sqlite:///mydb.sqlite`. `` Es posible conectarse a diferentes servicios, desde databricks, abses de datos hasta servidores con puertos HTTP, especificados. **Referencia:** \[<u>Backend Store</u>]\(<u>https://mlflow.org/docs/latest/tracking/backend-stores.html</u>)

Christian Julian Acosta Santamaria

hace un año

Les dejo la ruta editable para mlflow, solo es reemplazar lo que está entre <> con su ruta `mlflow ui --backend-store-uri file:///<ruta de la carpeta con los runs>`

Carlos Garavito

hace un año

Tener en cuenta que, al definir un URI personalizado, `mlflow`presenta error en rutas tipo windows de la forma `C:\\users\platzinauta\my_path`. Para manejar el error, es recomendable usar la ruta relativa del proyecto `./my_custom_path`.

Sandra Milena RAIRAN PINILLA

hace un año

súper!! Cómo explicas los errores encontrados. Gracias por la organización del curso!!!!