2min

Tags in dit artikel

, ,

MLflow, het open source platform van Databricks, heeft een geheel nieuw component gekregen waarmee het beheer van machine learning-modellen vereenvoudigd moet worden. Het gaat om Model Registry, dat nieuwe beheeropties en een samenwerkingshub introduceert.

MLflow werd door Databricks ontworpen om de machine learning lifecycle te beheren. Het open source-platform maakt het al mogelijk om bijvoorbeeld modellen flexibel in te zetten binnen het platform, een cloud inference-dienst of container.

De mogelijkheden van het project worden nu verder uitgebreid met de komst van Model Registry. Model Registry moet het modelbeheerproces vollediger maken, doordat data scientists en engineers een enkele centrale plek krijgen om aan de machine learning-modellen te werken.

Samenwerken en beheren

Model Registry voorziet namelijk in een nieuwe samenwerkingshub, waarmee ontwikkelteams kennis en expertise kunnen delen over het bouwen en uitrollen van machine learning-modellen. De modellen zijn daar eenvoudig vindbaar gemaakt. Ook zijn er mogelijkheden om samen gemeenschappelijke machine learning-taken te verbeteren.

Op het gebeid van beheer levert Model Registry een modelbewerkingsgeschiedenis. Daarmee krijgen bedrijven inzicht in alle machine learning-modellen die in de experimentele, test- en productiefase zitten. Bovendien kan ieder model via daar beheerd worden, en is toe te wijzen wie het model mag bewerken.

Tot slot zijn er flexibele CI/CD pipelines toegevoegd, die modellen automatisch doorzetten naar productie als zij aan bepaalde voorwaarden voldoen. De stappen binnen de lifecycle zijn met de hand te controleren en te valideren.

Populair platform

Databricks maakte tot slot bekend dat het MLflow-platform behoorlijk populair is. MLflow werd in 2018 geïntroduceerd en wordt sindsdien maandelijks ruim 800.000 keer gedownload. Meer dan 140 mensen hebben inmiddels een bijdrage geleverd aan het open source-platform.

MLflow kreeg in augustus nog een nieuwe functies onder de naam AutoML. Daarmee kunnen niet- of minder getrainde gebruikers ook het complexe machine learning-proces doorlopen.